基于多种群的自适应迁移PSO算法

被引：72

作者：

邓先礼 ^{[1
]}

魏波 ^{[1
]}

曾辉 ^{[2
]}

桂凌 ^{[3
]}

夏学文 ^{[1
]}

机构：

[1] 华东交通大学软件学院

[2] 新疆工程学院计算机工程系

[3] 华东交通大学经济管理学院

来源：

电子学报 | 2018年 / 46卷 / 08期

关键词：

粒子群算法; 社会学习; 多种群; 个体迁移; 历史性能评估;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

针对标准PSO中单一社会学习模式造成的算法容易陷入局部最优和后期收敛速度慢等问题,提出了一种基于多种群的自适应迁移PSO算法(Multi-population based self-adaptive migration PSO,MSMPSO).通过融合两种常用的邻居拓扑结构,赋予个体更多的信息来源;在多个子种群并行进化的基础上,利用不同加速因子的组合赋予各子种群不同的搜索特性,进而通过周期性对子种群的历史性能进行评估,以此为基础指导个体的迁移操作,实现子种群间的协作与计算资源的合理分配,并最终提升算法的综合性能.对CEC2013测试函数的优化结果表明,MSMPSO在求解精度、收敛速度等方面均表现出较好的性能.

引用

页码：1858 / 1865

页数：8

共 12 条

[1]

Particle swarm optimization using multi-level adaptation and purposeful detection operators.[J].Xuewen Xia;Chengwang Xie;Bo Wei;Zhongbo Hu;Bojian Wang;Chang Jin.Information Sciences.2017,

[2]

Self regulating particle swarm optimization algorithm.[J].M.R. Tanweer;S. Suresh;N. Sundararajan.Information Sciences.2015,

[3]

An improved particle swarm optimizer based on tabu detecting and local learning strategy in a shrunk search space.[J].Xuewen Xia;Jingnan Liu;Zhongbo Hu.Applied Soft Computing Journal.2014,

[4]

Competitive and cooperative particle swarm optimization with information sharing mechanism for global optimization problems.[J].Yuhua Li;Zhi-Hui Zhan;Shujin Lin;Jun Zhang;Xiaonan Luo.Information Sciences.2015,

[5]

Particle swarm optimization using dimension selection methods [J].

Jin, Xin ;

Liang, Yongquan ;

Tian, Dongping ;

Zhuang, Fuzhen .

APPLIED MATHEMATICS AND COMPUTATION, 2013, 219 (10) :5185-5197

[6]

An adaptive hybrid optimizer based on particle swarm and differential evolution for global optimization.[J].Bin Xin;Jie Chen;ZhiHong Peng;Feng Pan.Science China Information Sciences.2010, 5

[7]

Comprehensive learning particle swarm optimizer for global optimization of multimodal functions [J].