基于差分进化的混沌量子粒子群优化算法

doi:10.3969/j.issn.1006-2475.2017.08.005

计算机与现代化 ›› 2017, Vol. 0 ›› Issue (8): 22-.doi: 10.3969/j.issn.1006-2475.2017.08.005

基于差分进化的混沌量子粒子群优化算法

西安航空职业技术学院，陕西西安710089

收稿日期:2017-01-18 出版日期:2017-08-31 发布日期:2017-09-01
作者简介:王植（1983-），男，陕西宝鸡人，西安航空职业技术学院讲师，硕士，研究方向：智能算法，数据挖掘。
基金资助:
陕西省教育厅专项科研计划资助项目(15JK1381)

A Chaos Quantumbehaved Particle Swarm Optimization #br# Algorithm Based on Differential Evolution

Xi’an Aeronautical Polytechnic Institute, Xi’an 710089, China

Received:2017-01-18 Online:2017-08-31 Published:2017-09-01

摘要/Abstract

摘要：

针对量子粒子群优化算法容易出现早熟收敛到局部最优解等缺点，本文在量子粒子群算法的基础上，提出一种基于差分进化的混沌量子粒子群算法。该算法将Logistic映射的混沌序列引入粒子中

，增强了粒子的多样性；其次，对早熟的粒子进行交叉选择操作，使得粒子可以跳出局部最优值。实验结果表明，该算法相比于量子粒子群算法有较快的收敛速度和较好的收敛性能。

关键词: 量子粒子群算法, 差分算法, 混沌

Abstract:

In view of the shortcomings of the quantumbehaved particle swarm optimization algorithm that is prone to premature convergence to the local optimal solution, this

paper proposed a chaos quantumbehaved particle swarm algorithm based on differential evolution. In order to enhance the diversity of the particles, the chaotic sequences of

Logistic maps are introduced into the particle in this algorithm. Then, the crossover and mutation operation is performed for the premature particles which can avoid the local

optimum in the latter part of the particle. Experimental results show that the proposed algorithm has faster convergence speed and better convergence performance than quantum

particle swarm algorithm.


Key words: quantum behaved particle swarm optimization, differential evolution, chaos

中图分类号:

TP301.6

王植. 基于差分进化的混沌量子粒子群优化算法[J]. 计算机与现代化, 2017, 0(8): 22-.

WANG Zhi. A Chaos Quantumbehaved Particle Swarm Optimization #br# Algorithm Based on Differential Evolution[J]. Computer and Modernization, 2017, 0(8): 22-.

［1］ Kennedy J, Eberhart R. Particle swarm optimization［C］// Proceedings of the 1995 IEEE International Conference on Neural Networks. 1995:1942-1948.
［2］ Eberhart R, Kennedy J. A new optimizer using particle swarm theory［C］// Proceedings of the 6th International Symposium on Micro Machine and Human Science. 1995:39-43.
［3］ Bergh F V, Engelbrecht A P. A study of particle swarm optimization with particle trajectories［J］. Information Sciences, 2006,176(8):937-971.
［4］ Shi Yuhui, Eberhart R. A modified particle swarm optimizer［C］// IEEE World Congress on Computational Intelligence Anchorage. 1999:69-73.
［5］ Sun Jun， Feng Bin, Xu Wenbo. Particle swarm optimization with particles having quantum behavior［C］// Proceedings of Congress Evolutionary Computation. 2004:325-331.
［6］ Wang Yan, Feng Xiaoyue, Huang Yanxin, et al. A novel quantum swarm evolutionary algorithm and its applications［J］. Neurocomputing, 2007,70(46):633-640.

［7］匡芳君. 智能混合优化算法及其应用研究［D］. 南京:南京理工大学, 2014.
［8］ Hao Zhifeng, Guo Guanghan, Huang Han. A particle swarm optimization algorithm with differential evolution［C］// Proc. of the 6th Int. Conference on Machine Learning and

Cybernetics. 2007:1031-1035.
［9］朱大林,詹腾,张屹,等. 多策略差分进化的元胞多目标粒子群算法［J］. 电子学报, 2014,42(9):1831-1838.
［10］阳春华,钱晓山,桂卫华. 一种混沌差分进化和粒子群优化混合算法［J］. 计算机应用研究, 2011,28(2):439-441.
［11］辛斌. 粒子群优化算法与差分进化混合算法的综述与分类［J］. 系统科学与数学, 2011,31(9):1130-1150.
［12］Storn R M, Rice K. Differential evolution: A simple and efficient heuristic for global optimization over continuous space［J］. Journal of Global optimization, 1997,11

(4):341-359.
［13］池元成,方杰,蔡国飙. 基于差分进化和粒子群优化算法的混合优化算法［J］. 计算机工程与设计, 2009,30(12)：2963-2980.
［14］刘建平. 基于混沌和差分进化的混合粒子群优化算法［J］. 计算机仿真, 2012,29(2):208-212.
［15］翟金涛，高兴宝. 一种自适应交交替的粒子群差分进化优化算法［J］. 纺织高校基础科学学报, 2012,25(3):379-383.
［16］刘召军,高兴宝. 融合自适应混沌差分进化的粒子群优化算法［J］. 纺织高校基础科学学报, 2015,28(1):117-123.
［17］张兰，聂玉峰. 一种融合差分进化的量子粒子群优化算法［J］. 计算机仿真, 2016,33(2):313-316.
［18］林星,冯斌,孙俊. 混沌量子粒子群优化算法［J］. 计算机工程与设计, 2008,29(10):2610-2612.

[1]	付玉珍1，周洁文1，邵龙秋2，张慧1. 择优学习多个体差分算法求解约束优化问题[J]. 计算机与现代化, 2015, 0(10): 16-20.
[2]	褚国娟;马春丽;宁必锋. 基于差分及模拟退火的混合粒子群算法[J]. 计算机与现代化, 2010, 1(5): 19-20,2.

基于差分进化的混沌量子粒子群优化算法

A Chaos Quantumbehaved Particle Swarm Optimization #br# Algorithm Based on Differential Evolution

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价