学习邻域参数的粒子群算法

被引：17

作者：

邓浩

李均利

胡凯

李升

林秀丽

机构：

[1] 四川师范大学计算机科学学院

来源：

小型微型计算机系统 | 2021年 / 42卷 / 05期

关键词：

粒子群算法; 参数自适应; 邻域学习; 速度变异;

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：

针对粒子群算法的参数自适应的问题,提出了学习邻域参数的粒子群算法(Particle swarm optimization with learning neighborhood parameter learning,LNPPSO).为了使参数适应环境,将种群的中个体赋予不同的参数,根据邻域粒子的适应度变化和参数信息来更新粒子参数;为了增强跳出局部极值的能力,对所有粒子施加单维速度变异.为了平衡探索和开发,在更新过程中使用基于全局最优值的概率自适应方法来调整参数变化方法的比例.在10个标准测试函数上的实验结果表明:与对应的算法相比,LNPPSO前期着重于参数的适应和搜索空间的探索,收敛速度提升不明显,但中后期收敛速度得到明显提升,搜索结果具有更好的精度,在单峰函数和多峰函数上都有很好的表现.

引用

页码：996 / 1002

页数：7

共 12 条

[1]

A Theoretical Guideline for Designing an Effective Adaptive Particle Swarm [J].

Bonyadi, Mohammad Reza .

IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, 2020, 24 (01) :57-68

[2]

Fitness Dependent Optimizer: Inspired by the Bee Swarming Reproductive Process..[J].Jaza Mahmood Abdullah;Tarik Ahmed.IEEE Access.2019,

[3]

A hybrid firefly and particle swarm optimization algorithm for computationally expensive numerical problems.[J].İbrahim Berkan Aydilek.Applied Soft Computing.2018,

[4]

Adaptive mutation particle swarm algorithm with dynamic nonlinear changed inertia weight [J].

Liang, H. T. ;

Kang, F. H. .

OPTIK, 2016, 127 (19) :8036-8042

[5]

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

[6]

Adaptive acceleration coefficients for a new search diversification strategy in particle swarm optimization algorithms.[J].Guido Ardizzon;Giovanna Cavazzini;Giorgio Pavesi.Information Sciences.2015,

[7]

Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients [J].