引入欧椋鸟群飞行机制的改进粒子群算法

被引：6

作者：

孙锋利 ^{[1
,2
]}

何明一 ^{[1
]}

高全华 ^{[2
]}

机构：

[1] 西北工业大学电子信息学院

[2] 长安大学理学院

来源：

计算机应用研究 | 2012年 / 29卷 / 05期

关键词：

粒子群算法; Kennedy-Eberhart模型; 惯性权重; 拓扑作用; 多模态问题;

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：

传统粒子群算法存在早熟、精度低等不足,许多改进算法尽管性能略有提高,但依然存在原有弊端。生物学家对欧椋鸟群的最新研究发现:鸟群飞行机制中个体间存在拓扑相互作用,与距离远近无关。受这一研究成果启发,提出一种引入欧椋鸟飞行机制的改进粒子群算法。该算法在进化策略上引入拓扑作用和猎食动物的惊扰机制,在参数选择上提出粒子群动能的概念,在线性递减权重框架下通过粒子动能自适应更新惯性权重,拓扑作用集合采用最近邻粒子构成,将拓扑因子与惯性权重相联系,达到进化状态的平衡和自适应性。仿真实验表明,改进算法在精度、成功率和效率上具有一定的优势,尤其是对多模态优化问题。

引用

页码：1666 / 1669+1697 +1697

页数：5

共 11 条

[1] MQPSO:一种具有多群体与多阶段的QPSO算法 [J].

张春燕 ;

须文波 ;

孙俊 ;

管芳景 .

计算机应用研究, 2007, (03) :100-102

[2]

A modified particle swarm optimizer. Shi YH,Eberhart RC. Proceedings of IEEE World Congress on Computational Intelligence . 1998

[3]

Interaction rulinganimal collective behavior depends on topological rather than metricdistance:evidence from a field study. BALLERINI M,CABIBBO N,CANDELIER R,et al. . 2008

[4]

Scale-free correlations instarling flocks. ANDREA C,ALESSIO C,IRENE G,et al. http://www.pnas.org/content/107/26/11865.full.pdf . 2010

[5] 免疫粒子群优化算法 [J].

高鹰 ;

谢胜利 .

计算机工程与应用, 2004, (06) :4-6+33

[6]

The principles of collective animal behaviour. Sumpter,D.J.T. Philosophical Transactions of the Royal Society of London . 2006

[7]

The swarm and the queen: towards a deterministic and adaptive particle swarm optimization. Clerc M. Proceedings of the IEEE Congress on Evolutionary Computation . 1999

[8]

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

[9] 基于遗传粒子群算法的DNA编码优化 [J].

许世明 ;

张强 .

计算机工程, 2008, (01) :218-220

[10]

Frankenstein’s PSO a composite particle swarm optimization algorithm. M. A. Montes de Oca,T. Stutzle,M. Birattari,M. Dorigo. IEEE Transactions on Evolutionary Computation . 2009

← 1 2 →