无惯性自适应精英变异反向粒子群优化算法

被引：27

作者：

康岚兰 ^{[1
,2
]}

董文永 ^{[1
]}

宋婉娟 ^{[1
]}

李康顺 ^{[3
]}

机构：

[1] 武汉大学计算机学院

[2] 江西理工大学应用科学学院

[3] 华南农业大学信息学院

来源：

通信学报 | 2017年 / 38卷 / 08期

关键词：

无惯性速度更新式; 一般性反向学习; 自适应精英变异; 粒子群优化;

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：

为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

引用

页码：66 / 78

页数：13

共 6 条

[1]

带自适应精英扰动及惯性权重的反向粒子群优化算法 [J].

董文永 ;

康岚兰 ;

刘宇航 ;

李康顺 .

通信学报, 2016, 37 (12) :1-10

[2]

一种精英反向学习的粒子群优化算法 [J].

周新宇 ;

吴志健 ;

王晖 ;

李康顺 ;

张浩宇 .

电子学报, 2013, 41 (08) :1647-1652

[3]

Optimal reactive power control of DGs for voltage regulation of MV distribution systems using sensitivity analysis method and PSO algorithm.[J].B. Bakhshideh Zad;H. Hasanvand;J. Lobry;F. Vallée.International Journal of Electrical Power and Energy Systems.2015,

[4]

Supervised hybrid feature selection based on PSO and rough sets for medical diagnosis [J].

Inbarani, H. Hannah ;

Azar, Ahmad Taher ;

Jothi, G. .

COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, 2014, 113 (01) :175-185

[5]

Enhancing particle swarm optimization using generalized opposition-based learning [J].

Wang, Hui ;

Wu, Zhijian ;

Rahnamayan, Shahryar ;

Liu, Yong ;

Ventresca, Mario .

INFORMATION SCIENCES, 2011, 181 (20) :4699-4714

[6]

Adaptive fuzzy particle swarm optimization for global optimization of multimodal functions.[J].Yau-Tarng Juang;Shen-Lung Tung;Hung-Chih Chiu.Information Sciences.2010, 20

← 1 →