本文關(guān)鍵詞： 粒子群優(yōu)化算法 慣性權(quán)重 混合粒子　出處：《計算機(jī)應(yīng)用研究》2017年12期 　論文類型：期刊論文

【摘要】：為解決粒子群優(yōu)化算法前期搜索盲目,后期搜索速度慢且易陷入局部極值的問題,對算法中粒子更新方式和慣性權(quán)重進(jìn)行了改進(jìn),提出了一種基于引導(dǎo)策略的自適應(yīng)粒子群優(yōu)化算法(improved particle swarm optimization algorithm,IPSO)。該算法在種群中引入四種粒子,即主體粒子、雙中心粒子、協(xié)同粒子和混沌粒子對粒子位置更新進(jìn)行引導(dǎo),克服算法的隨機(jī)性,從而提高搜索效率。為進(jìn)一步克服粒子群優(yōu)化算法進(jìn)化后期易陷入早熟收斂的缺點,引入聚焦距離變化率的概念,通過聚焦距離變化率的大小動態(tài)調(diào)整慣性權(quán)重,以提高算法的收斂速度和精度,兩者結(jié)合極大地提高了搜索到全局最優(yōu)解的有效性。對四個標(biāo)準(zhǔn)測試函數(shù)進(jìn)行仿真,實驗結(jié)果表明IPSO算法在收斂速度、收斂精度以及成功率上都明顯優(yōu)于其他兩種粒子群優(yōu)化算法。
[Abstract]:In order to solve the problem of blind search in the early stage and slow searching speed and easy to fall into local extremum in the particle swarm optimization algorithm, the particle update method and inertia weight in the algorithm are improved. An adaptive particle swarm optimization algorithm based on bootstrapping strategy is proposed for particle swarm optimization algorithm. In order to overcome the randomness of the algorithm, the algorithm introduces four kinds of particles into the population, namely, the host particle, the bicentral particle, the cooperative particle and the chaotic particle to guide the particle position update. In order to overcome the shortcoming of particle swarm optimization (PSO) which is prone to fall into premature convergence in the later stage of evolution, the concept of focusing distance change rate is introduced. In order to improve the convergence speed and accuracy of the algorithm, the inertia weight is dynamically adjusted by the change rate of focusing distance. The efficiency of searching the global optimal solution is greatly improved by the combination of the two methods. Four standard test functions are simulated and the experimental results show that the IPSO algorithm is converging at the speed of convergence. The convergence accuracy and success rate are obviously superior to the other two particle swarm optimization algorithms.
【作者單位】： 沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院;
【基金】：遼寧省博士啟動基金資助項目(201601106) 國家自然科學(xué)基金資助項目(F030112) 遼寧省教育廳科研項目(L2013260)
【分類號】：TP18
【正文快照】： 0引言粒子群優(yōu)化算法(PSO)是Kennedy等人[1]于1995年在IEEE國際神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議上提出的,作為一種群集智能算法,粒子群優(yōu)化算法模擬鳥群覓食行為,通過鳥群之間的協(xié)作和競爭達(dá)到尋優(yōu)目的。由于PSO算法調(diào)節(jié)參數(shù)少、實現(xiàn)簡單,已經(jīng)廣泛應(yīng)用于諸多領(lǐng)域的各類優(yōu)化問題[2],如電力系

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 戴冬雪,王祁,阮永順,王曉超;基于混沌思想的粒子群優(yōu)化算法及其應(yīng)用[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2005年10期

2 李紹軍;王惠;錢鋒;;基于模式優(yōu)選思想改進(jìn)的粒子群優(yōu)化算法[J];控制與決策;2006年10期

3 蘇俊霞;蔚承建;;基于粒子群優(yōu)化算法的自動機(jī)制設(shè)計[J];計算機(jī)工程與應(yīng)用;2007年04期

4 何妮;吳燕仙;;粒子群優(yōu)化算法的研究[J];科技信息(科學(xué)教研);2008年06期

5 賀毅朝;王熙照;曲文龍;;一種具有雙重進(jìn)化空間的擴(kuò)展粒子群優(yōu)化算法[J];小型微型計算機(jī)系統(tǒng);2008年08期

6 王正帥;鄧喀中;;基于文化框架的隨機(jī)粒子群優(yōu)化算法[J];計算機(jī)科學(xué);2012年06期

7 馮紀(jì)強(qiáng);溫雅;;粒子群優(yōu)化的模糊特征[J];現(xiàn)代電子技術(shù);2012年23期

8 田亞菲;張范勇;閻石;;基于粒子群優(yōu)化的細(xì)菌覓食優(yōu)化算法[J];控制工程;2012年06期

9 祁超;張曦;劉煥杰;張薈萃;;云環(huán)境下多群體協(xié)作粒子群優(yōu)化框架的研究[J];科技創(chuàng)新與應(yīng)用;2013年36期

10 高海兵;周馳;高亮;;廣義粒子群優(yōu)化模型[J];計算機(jī)學(xué)報;2005年12期

相關(guān)會議論文 前9條

1 徐俊杰;忻展紅;;基于增強(qiáng)型參考位置的粒子群優(yōu)化模型[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

2 王亞;于永光;耿玲玲;;一類改進(jìn)的自適應(yīng)粒子群優(yōu)化算法對混沌系統(tǒng)未知參數(shù)的估計[A];中國力學(xué)大會——2013論文摘要集[C];2013年

3 王光輝;陳杰;潘峰;;多種群協(xié)同粒子群優(yōu)化算法求解動態(tài)環(huán)境優(yōu)化問題[A];第二十七屆中國控制會議論文集[C];2008年

4 楊雅偉;侍洪波;;量子粒子群優(yōu)化算法及其應(yīng)用研究[A];中國儀器儀表學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2007年

5 趙建玉;賈磊;陳月輝;張勇;;基于粒子群優(yōu)化的信號交叉口交通流預(yù)測模型[A];第二十六屆中國控制會議論文集[C];2007年

6 趙秋玲;周雅莉;張奇志;;基于粒子群優(yōu)化的結(jié)構(gòu)振動分布式反饋控制[A];2005年中國智能自動化會議論文集[C];2005年

7 肖龍光;丁曉東;謝集平;;粒子群優(yōu)化算法的改進(jìn)[A];第二十三屆中國控制會議論文集（上冊）[C];2004年

8 龔?fù)?曹秀英;;基于粒子群優(yōu)化的偽距定位算法研究[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會電子文集[C];2011年

9 錢偉懿;王艷杰;;帶自適應(yīng)壓縮因子粒子群優(yōu)化算法[A];中國運(yùn)籌學(xué)會模糊信息與模糊工程分會第五屆學(xué)術(shù)年會論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 劉昊;多樣性增強(qiáng)的粒子群優(yōu)化算法及其應(yīng)用研究[D];北京理工大學(xué);2015年

2 姜毅;動態(tài)環(huán)境下粒子群優(yōu)化算法的研究[D];武漢大學(xué);2013年

3 Shafiullah Khan;粒子群優(yōu)化算法及其在電磁設(shè)計中的應(yīng)用[D];浙江大學(xué);2017年

4 易云飛;基于伊藤隨機(jī)過程的粒子群優(yōu)化算法及其應(yīng)用研究[D];武漢大學(xué);2015年

5 熊勇;粒子群優(yōu)化算法的行為分析與應(yīng)用實例[D];浙江大學(xué);2005年

6 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用研究[D];重慶大學(xué);2007年

7 唐賢倫;混沌粒子群優(yōu)化算法理論及應(yīng)用[D];重慶大學(xué);2007年

8 徐慧;粒子群優(yōu)化算法改進(jìn)及其在煤層氣產(chǎn)能預(yù)測中的應(yīng)用研究[D];中國礦業(yè)大學(xué);2013年

9 劉逸;粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D];西安電子科技大學(xué);2013年

10 高芳;智能粒子群優(yōu)化算法研究[D];哈爾濱工業(yè)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 陳卓;粒子群優(yōu)化算法的改進(jìn)及在油藏數(shù)值模擬中的應(yīng)用[D];北京建筑大學(xué);2015年

2 白云;基于粒子群優(yōu)化算法的復(fù)雜網(wǎng)絡(luò)社區(qū)挖掘[D];西北農(nóng)林科技大學(xué);2015年

3 楊艷華;基于粒子群優(yōu)化支持向量機(jī)的網(wǎng)絡(luò)態(tài)勢預(yù)測模型研究[D];蘭州大學(xué);2015年

4 鄭博;基于快速排序的多目標(biāo)粒子群優(yōu)化算法的研究及應(yīng)用[D];鄭州大學(xué);2015年

5 米永強(qiáng);非線性規(guī)劃問題的混合粒子群優(yōu)化算法研究[D];寧夏大學(xué);2015年

6 李建美;基于自適應(yīng)變異與文化框架的混沌粒子群優(yōu)化算法[D];陜西師范大學(xué);2015年

7 劉星;基于粒子群優(yōu)化算法的特征選擇方法研究[D];南京大學(xué);2015年

8 牛旭;動態(tài)粒子群優(yōu)化算法及其應(yīng)用[D];西安電子科技大學(xué);2014年

9 葉華;粒子群優(yōu)化算法研究[D];西安電子科技大學(xué);2014年

10 楊青河;基于優(yōu)化控制思想的粒子群優(yōu)化算法改進(jìn)研究[D];東北大學(xué);2013年

，

本文編號：1486786