本文關(guān)鍵詞：基于正態(tài)云模型的自適應(yīng)變異量子粒子群優(yōu)化算法　出處：《電子設(shè)計工程》2016年08期 　論文類型：期刊論文

  更多相關(guān)文章： 云模型 量子粒子群 粒子群 算法優(yōu)化

【摘要】：為提高量子粒子群算法的尋優(yōu)能力,文中提出一種新的正態(tài)云模型自適應(yīng)變異量子粒子群算法。該方法采用正態(tài)云模型優(yōu)化策略,引入自身最差粒子和全局最差粒子,結(jié)合自身最優(yōu)粒子和全局最優(yōu)粒子自適應(yīng)調(diào)整勢阱中心位置與收縮-擴(kuò)張系數(shù),每次迭代后生成的新粒子,以一定概率采用正態(tài)云模型對粒子進(jìn)行變異操作。最后標(biāo)準(zhǔn)函數(shù)極值優(yōu)化的實驗結(jié)果表明,該算法的單步迭代時間較長但優(yōu)化能力較同類算法有大幅度提高。
[Abstract]:In order to improve the optimization ability of quantum particle swarm optimization (QPSO), a new adaptive mutation quantum particle swarm optimization (QPSO) algorithm for normal cloud model is proposed. The method uses the normal cloud model optimization strategy, the worst of the worst particle particle and the global, with its own optimal particle and the global best particle adaptive trap center position and the contraction expansion coefficient, a new generation of particles after each iteration, with certain probability by the normal cloud model of particle mutation operation. The experimental results of the final standard function extremum optimization show that the algorithm has a longer single step iteration time but more optimization ability than the same algorithm.
【作者單位】： 東北石油大學(xué)電氣信息工程學(xué)院;中國航天科技集團(tuán)航天天繪科技有限公司;東北石油大學(xué)計算機(jī)與信息技術(shù)學(xué)院;
【分類號】：TP18
【正文快照】： 在2004年,孫俊等人[1]提出了具有量子行為的粒子群優(yōu)化算法(Quantum-behaved Particle Swarm Optimization,QPSO),但是QPSO算法在迭代的后期有時也不可避免的出現(xiàn)陷入局部最優(yōu)的情況,學(xué)者們對QPSO算法也做了大量的改進(jìn)工作,文獻(xiàn)[2]將Q學(xué)習(xí)方法引入到量子粒子群算法中、文獻(xiàn)[3]，

本文編號：1338126