粒子群算法因其形式比較簡潔,參數設置靈活,操作簡便易行,并且能夠快速收斂,從而引起廣泛關注。但是傳統(tǒng)的粒子群算法也有缺陷:收斂速度慢以及容易陷入局部最優(yōu)等。針對這些問題,本文借鑒小生境的方法,在進化初始階段,對種群進行劃分,將初始種群分為子種群,對不同的子種群進行不同的變異策略;在進化過程中,針對不同的子種群,設置不同的慣性權重因子ω,用來增強全局搜索能力與局部搜索能力。實驗結果表明,本文提出的算法較傳統(tǒng)的粒子群算法具有較快的收斂性以及找尋的全局最優(yōu)解更接近真實解集,收斂精度比較高。 

【文章來源】：計算機與現(xiàn)代化. 2019,(05)

【文章頁數】：5 頁

【文章目錄】：
0 引 言
1 粒子群算法
    1.1 標準粒子群算法
    1.2 改進的粒子群算法
2 帶有變異策略的種群劃分粒子群算法
    2.1 種群的劃分
    2.2 變異策略的引進
    2.3 慣性權重因子
    2.4 算法的基本步驟
3 實驗及結果分析
    3.1 測試函數
    3.2 本文算法與3種算法的比較
4 結束語


【參考文獻】：
期刊論文
[1]基于改進PSO算法的加熱系統(tǒng)分數階控制[J]. 姜蘇英.  計算機與現(xiàn)代化. 2018(07)
[2]一種動態(tài)調整慣性權重的粒子群優(yōu)化算法[J]. 董紅斌,李冬錦,張小平.  計算機科學. 2018(02)
[3]基于改進GA-PSO的無線傳感網絡路由算法[J]. 張慧.  計算機與現(xiàn)代化. 2015(12)
[4]基于粒子群算法的BP神經網絡優(yōu)化技術[J]. 張德慧,張德育,劉清云,呂艷輝.  計算機工程與設計. 2015(05)
[5]一種新的變異因子選擇策略[J]. 王帥群,敖日格樂,高尚策,唐政,馬海英.  計算機科學. 2014(09)
[6]基于非均勻變異和多階段擾動的粒子群優(yōu)化算法[J]. 趙新超,劉國蒞,劉虎球,趙國帥.  計算機學報. 2014(09)
[7]改進粒子群和模擬退火混合算法及其應用[J]. 鄭申海,胡小兵,鄭滿滿,劉瑞杰.  計算機技術與發(fā)展. 2013(07)
[8]基于改進小生境粒子群算法的多模函數優(yōu)化[J]. 史哲文,白雪石,郭禾.  計算機應用研究. 2012(02)
[9]一種基于遺傳算法改進的粒子群優(yōu)化算法[J]. 潘勇,郭曉東.  計算機應用與軟件. 2011(09)
[10]一種更簡化而高效的粒子群優(yōu)化算法[J]. 胡旺,李志蜀.  軟件學報. 2007(04)

碩士論文
[1]粒子群算法在圖像處理中的應用研究[D]. 周欣.湖北工業(yè)大學 2011



本文編號：2997281