惯性权自适应调整的量子粒子群优化算法

被引：75

作者：

黄泽霞 ^{[1
,2
]}

俞攸红 ^{[3
]}

黄德才 ^{[1
]}

机构：

[1] 浙江工业大学信息学院

[2] 绍兴文理学院元培学院信息与电子系

[3] 浙江工业大学理学院

来源：

上海交通大学学报 | 2012年 / 46卷 / 02期

关键词：

量子粒子群; 自适应; 惯性权;

D O I：

10.16183/j.cnki.jsjtu.2012.02.012

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.

引用

页码：228 / 232

页数：5

共 7 条

[1] 具有量子行为的粒子群优化算法的改进 [J].

靳雁霞 ;

韩燮 ;

周汉昌 .

计算机工程与应用, 2009, 45 (35) :41-43+55

[2] 基于MATLAB的量子粒子群优化算法及其应用 [J].

余健 ;

郭平 .

计算机与数字工程, 2007, (12) :38-39+160

[3] 一种动态改变惯性权的自适应粒子群算法 [J].

张选平 ;

杜玉平 ;

秦国强 ;

覃征 ;

不详 .

西安交通大学学报 , 2005, (10) :1039-1042

[4]

粒子群优化算法的改进及应用[D]. 王俊伟.东北大学 2006

[5] Particle swarm optimization feedforward neural network for modeling runoff [J].

Kuok, K. K. ;

Harun, S. ;

Shamsuddin, S. M. .

INTERNATIONAL JOURNAL OF ENVIRONMENTAL SCIENCE AND TECHNOLOGY, 2010, 7 (01) :67-78

[6]

Particle swarm optimization. Kennedy J, Eberhart RC. Proceedings of the IEEE International Joint Conference on Neural Networks . 1995

[7]

Selecting and com-bining classifiers simultaneously with particle swarm optimiza-tion. Yang Li-ying,Zhang Jun-ying,Wang Wen-jun. Journal of Information Technology . 2009

← 1 →