基于多尺度选择性学习和探测-收缩机制的PSO算法

被引：12

作者：

夏学文 ^{[1
,2
]}

桂凌 ^{[3
]}

戴志锋 ^{[4
]}

谢承旺 ^{[1
,2
]}

魏波 ^{[1
,2
]}

机构：

[1] 华东交通大学软件学院

[2] 华东交通大学智能优化与信息处理研究所

[3] 华东交通大学经济管理学院

[4] 湖北经济学院信息管理学院

来源：

电子学报 | 2016年 / 44卷 / 05期

关键词：

粒子群算法; 早熟收敛; 多尺度学习; 探测策略;

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：

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.

引用

页码：1090 / 1100

页数：11

共 8 条

[1]

透镜成像反学习策略在粒子群算法中的应用 [J].

喻飞 ;

李元香 ;

魏波 ;

徐星 ;

赵志勇 .

电子学报, 2014, 42 (02) :230-235

[2]

双中心粒子群优化算法 [J].

汤可宗 ;

柳炳祥 ;

杨静宇 ;

孙廷凯 .

计算机研究与发展, 2012, 49 (05) :1086-1094

[3]

一种基于可变多簇结构的动态概率粒子群优化算法 [J].

倪庆剑 ;

张志政 ;

王蓁蓁 ;

邢汉承 .

软件学报, 2009, 20 (02) :339-349

[4]

An improved particle swarm optimizer based on tabu detecting and local learning strategy in a shrunk search space.[J].Xuewen Xia;Jingnan Liu;Zhongbo Hu.Applied Soft Computing Journal.2014,

[5]

Particle swarm optimization using dimension selection methods [J].

Jin, Xin ;

Liang, Yongquan ;

Tian, Dongping ;

Zhuang, Fuzhen .

APPLIED MATHEMATICS AND COMPUTATION, 2013, 219 (10) :5185-5197

[6]

A quantum genetic algorithm based on cellular automata model [J].

Xia, Xuewen ;

Wang, Qian ;

Li, Yuanxiang .

INTERNATIONAL JOURNAL OF MODELLING IDENTIFICATION AND CONTROL, 2013, 18 (03) :243-250

[7]

Stochastic convergence analysis and parameter selection of the standard particle swarm optimization algorithm.[J].M. Jiang;Y.P. Luo;S.Y. Yang.Information Processing Letters.2006, 1

[8]

The particle swarm optimization algorithm: convergence analysis and parameter selection.[J].Ioan Cristian Trelea.Information Processing Letters.2002, 6

← 1 →