Tent混沌人工蜂群与粒子群混合算法

被引：65

作者：

匡芳君 ^{[1
,2
]}

金忠 ^{[1
]}

徐蔚鸿 ^{[1
,3
]}

张思扬 ^{[2
]}

机构：

[1] 南京理工大学计算机科学与工程学院

[2] 湖南安全技术职业学院电气与信息工程系

[3] 长沙理工大学计算机与通信工程学院

来源：

控制与决策 | 2015年 / 05期

关键词：

Tent混沌搜索; 人工蜂群算法; 粒子群优化算法; 混沌反向学习; 重组算子;

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：

针对人工蜂群和粒子群算法的优势与缺陷,提出一种Tent混沌人工蜂群粒子群混合算法.首先利用Tent混沌反向学习策略初始化种群;然后划分双子群,利用Tent混沌人工蜂群算法和粒子群算法协同进化;最后应用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值.仿真结果表明,该算法不仅能有效避免早熟收敛,而且能有效跳出局部极值,与其他最新人工蜂群和粒子群算法相比具有较强的全局搜索能力和局部搜索能力.

引用

页码：839 / 847

页数：9

共 12 条

[1]

基于局部搜索的人工蜂群算法 [J].

刘三阳 ;

张平 ;

朱明敏 .

控制与决策 , 2014, (01) :123-128

[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]

受启发的人工蜂群算法在全局优化问题中的应用 [J].

高卫峰 ;

刘三阳 ;

黄玲玲 .

电子学报, 2012, 40 (12) :2396-2403

[4]

一种多尺度协同变异的粒子群优化算法 [J].

陶新民 ;

刘福荣 ;

刘玉 ;

童智靖 .

软件学报, 2012, 23 (07) :1805-1815

[5]

均匀搜索粒子群算法 [J].

吴晓军 ;

杨战中 ;

赵明 .

电子学报, 2011, 39 (06) :1261-1266

[6]

自适应搜索空间的混沌蜂群算法 [J].

暴励 ;

曾建潮 .

计算机应用研究, 2010, 27 (04) :1330-1334

[7]

基于Tent映射的混沌优化算法 [J].

单梁 ;

强浩 ;

李军 ;

王执铨 .

控制与决策, 2005, (02) :179-182

[8]

A modified Artificial Bee Colony algorithm for real-parameter optimization[J] Bahriye Akay;Dervis Karaboga Information Sciences 2010,

[9]

A new approach for data clustering using hybrid artificial bee colony algorithm[J] Xiaohui Yan;Yunlong Zhu;Wenping Zou;Liang Wang Neurocomputing 2012,

[10]

Improved artificial bee colony algorithm for global optimization[J] Weifeng Gao;Sanyang Liu Information Processing Letters 2011,

← 1 2 →