时变压缩因子粒子群算法

被引：10

作者：

张成兴

机构：

[1] 兰州商学院甘肃经济发展数量分析研究中心

来源：

计算机工程与应用 | 2015年 / 51卷 / 23期

关键词：

时变; 加速因子; 压缩因子; 粒子群算法;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对粒子群算法对全局和局部搜索平衡能力较弱的缺点,提出结合时变加速因子的粒子群算法。新算法基于压缩因子粒子群算法,利用双重压缩因子;第一个压缩因子用来调节全局和局部搜索模型;第二压缩因子利用时变的加速因子,进一步平衡全局和局部最优值对粒子种群升级的影响;通过对基本粒子群算法,压缩因子粒子群算法和混沌粒子群算法在8个标准Benchmark函数上进行三种测试,实验结果表明新算法精度较高,收敛速度较快。新算法通过时变的加速因子,较好平衡了粒子群算法的全局和局部搜索模型。

引用

页码：59 / 64

页数：6

共 6 条

[1] 基于精英学习的量子行为粒子群算法 [J].

章国勇 ;

伍永刚 ;

顾巍 .

控制与决策, 2013, 28 (09) :1341-1348

[2] 基于二阶振荡及自然选择的随机权重混合粒子群算法 [J].

白俊强 ;

尹戈玲 ;

孙智伟 .

控制与决策, 2012, 27 (10) :1459-1464+1470

[3] 基于ε占优的自适应多目标粒子群算法 [J].

刘衍民 ;

赵庆祯 ;

牛奔 ;

邵增珍 .

控制与决策, 2011, (01) :89-95

[4] 求解非线性方程组的混沌粒子群算法及应用 [J].

莫愿斌 ;

陈德钊 ;

胡上序 .

计算力学学报, 2007, (04) :505-508

[5]

Minimizing multimodal functions of continuous variables with the “simulated annealing” algorithm Corrigenda for this article is available here[J] . A. Corana,M. Marchesi,C. Martini,S. Ridella.ACM Transactions on Mathematical Software (TOMS) . 1987 (3)

[6]

Testing Unconstrained Optimization Software[J] . Jorge J. Moré,Burton S. Garbow,Kenneth E. Hillstrom.ACM Transactions on Mathematical Software (TOMS) . 1981 (1)

← 1 →