一种新的分阶段进化的粒子群优化算法

doi:10. 3969/j. issn. 1006-2475.2012.04.042

计算机与现代化 ›› 2012, Vol. 1 ›› Issue (200): 152-03.doi: 10. 3969/j. issn. 1006-2475.2012.04.042

一种新的分阶段进化的粒子群优化算法

俞智慧¹，余绪金²，宋　晔²，吴烈阳²

1.上饶师范学院数学与计算机科学学院，江西上饶 334001； 2.江西省高速公路联网管理中心，江西南昌 330003

收稿日期:2011-11-14 修回日期:1900-01-01 出版日期:2012-04-16 发布日期:2012-04-16

A New Evolution Algorithm by Stages for Particle Swarm Optimization

YU Zhi-hui¹， YU Xu-jin²， SONG Ye²， WU Lie-yang²

1. School of Mathematics and Computer Science， Shangrao Normal University， Shangrao 334001， China；2. Highway Network Management Center of Jiangxi， Nanchang 330003， China

Received:2011-11-14 Revised:1900-01-01 Online:2012-04-16 Published:2012-04-16

摘要/Abstract

摘要： 针对粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的不足，提出一种新的分阶段进化的粒子群优化算法。该方法进化过程分为两个阶段，每个阶段对应一个不同的模型，通过结合这两种模型的各自优点有效地降低群体陷入局部最优。仿真实验结果表明，对于复杂多极值函数优化问题，本文算法比标准粒子群算法的寻优能力更强。

关键词: 粒子群优化算法, 局部极值, 进化模型

Abstract: Considering that the standard PSO easily falls into local optimization when it solves the multi-extremum problems， an improved PSO algorithm is proposed. In this algorithm， the evolution process is divided into two stages， while each stage uses a different model， so the possibility of getting local extreme value is reduced by making full use of the respective advantages of the two evolution model. The results of simulation show that the proposed algorithm has the better optimization performance than the standard PSO when solving the multi-extremum problems.

Key words: particle swarm optimization algorithm, local extremum, evolution model

俞智慧;余绪金;宋晔;吴烈阳. 一种新的分阶段进化的粒子群优化算法[J]. 计算机与现代化, 2012, 1(200): 152-03.

YU Zhi-hui;YU Xu-jin;SONG Ye;WU Lie-yang. A New Evolution Algorithm by Stages for Particle Swarm Optimization[J]. Computer and Modernization, 2012, 1(200): 152-03.

[1]	曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.
[2]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[3]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[4]	张利娟1，仇建伟1，杜登崇2，王鑫1. 基于Spark和PSO算法的军事物流配送路径优化问题研究[J]. 计算机与现代化, 2018, 0(11): 65-.
[5]	王叙鹏，郑凯. 基于排序优化的粒子群算法[J]. 计算机与现代化, 2016, 0(12): 12-15,21.
[6]	陆剑1，张柯2. 基于改进粒子群算法的永磁同步电机PID控制器[J]. 计算机与现代化, 2015, 0(7): 123-.
[7]	裴祥，李巧君. 基于改进粒子群优化算法的无线传感器网络定位[J]. 计算机与现代化, 2015, 0(7): 81-.
[8]	刘春. 基于组合算法选择特征的网络入侵检测模型[J]. 计算机与现代化, 2014, 0(8): 75-80.
[9]	夏卿;李先锋. 基于改进PSO算法和LS-SVM的苹果分级检测[J]. 计算机与现代化, 2012, 1(201): 161-168,.
[10]	王立;郑昊. 粒子群遗传混合算法在点状注记配置中的应用[J]. 计算机与现代化, 2012, 1(10): 30-33,3.
[11]	高艳霞;胡昌标. 基于机器视觉的大豆热损伤粒检测[J]. 计算机与现代化, 2011, 7(7): 88-91.
[12]	叶安新. 基于改进粒子群优化算法的TSP问题研究[J]. 计算机与现代化, 2011, 1(4): 1-3.
[13]	吴春梅;吴建生. 基于粒子群和投影寻踪的样本重构神经网络集成模型在降水预报中的应用[J]. 计算机与现代化, 2011, 1(2): 23-28.
[14]	耿俊成;牛霜霞;张才俊. 使用进化神经网络进行文本自动分类[J]. 计算机与现代化, 2011, 1(11): 59-5.
[15]	李欣然. 粒子群优化算法研究[J]. 计算机与现代化, 2010, 1(6): 6-0008.

一种新的分阶段进化的粒子群优化算法

A New Evolution Algorithm by Stages for Particle Swarm Optimization

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价