融合榜样学习和反向学习的粒子群优化算法

被引：8

作者：

张新明 ^{[1
,2
]}

王霞 ^{[1
]}

涂强 ^{[1
]}

康强 ^{[1
]}

机构：

[1] 河南师范大学计算机与信息工程学院

[2] 河南师范大学计算智能与数据挖掘河南省高校工程技术研究中心

来源：

河南师范大学学报(自然科学版) | 2017年 / 45卷 / 06期

关键词：

智能优化算法; 粒子群优化算法; 榜样学习; 反向学习;

D O I：

10.16366/j.cnki.1000-2367.2017.06.015

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为了提高粒子群优化算法(Particle swarm optimization,PSO)的优化效率,降低其陷入局部最优的概率,提出了一种融合榜样学习和反向学习的PSO算法(PSO based on combing Example learning and Opposition learning,EOPSO).首先,对粒子群中的非最优粒子采用新颖的榜样学习机制更新,以便提高全局搜索能力,避免算法陷入局部最优;其次,对粒子群中最优粒子采用反向学习混合机制更新,提升该粒子的搜索能力,进一步避免算法陷入局部最优;最后,对粒子群中的最优粒子还采用了自身变异机制更新,有利于搜索前期的全局搜索和后期的快速收敛.在15个不同维度的基准函数上进行了仿真实验,实验结果表明,与最先进的PSO改进算法ELPSO、SRPSO、LFPSO、HCLPSO相比,EOPSO优化性能更好.

引用

页码：91 / 99

页数：9

共 14 条

[1] 涑水河流域生态环境需水量计算和预测 [J].

许昆 .

灌溉排水学报, 2016, 35 (11) :107-110

[2] 一种改进型粒子群优化算法在电力系统经济负荷分配中的应用 [J].

吴辰斌 ;

李海明 ;

刘栋 ;

吴正阳 ;

武蕾 .

电力系统保护与控制, 2016, 44 (10) :44-48

[3] 嵌入趋化算子的PSO算法及其在多阈值分割中的应用 [J].

张新明 ;

涂强 ;

尹欣欣 ;

冯梦清 .

计算机科学, 2016, 43 (02) :311-315

[4] 混合迁移的高效BBO算法及其在图像分割中的应用 [J].

张新明 ;

涂强 ;

尹欣欣 .

计算机科学与探索, 2016, 10 (10) :1459-1468

[5] 具备反向学习和局部学习能力的粒子群算法 [J].

夏学文 ;

刘经南 ;

高柯夫 ;

李元香 ;

曾辉 .

计算机学报, 2015, 38 (07) :1397-1407

[6] 基于改进粒子群算法的牵引变电所维修优化研究 [J].

刘欢 ;

刘志刚 .

电力系统保护与控制, 2015, 43 (11) :87-94

[7]

粒子群算法及应用[M]. 科学出版社 , 纪震, 2009

[8]

Heterogeneous comprehensive learning particle swarm optimization with enhanced exploration and exploitation[J] . Nandar Lynn,Ponnuthurai Nagaratnam Suganthan.Swarm and Evolutionary Computation . 2015

[9]

An Improved Opposition-Based Learning Particle Swarm Optimization for the Detection of SNP-SNP Interactions[J] . Junliang Shang,Yan Sun,Shengjun Li,Jin-Xing Liu,Chun-Hou Zheng,Junying Zhang,Yuedong Yang.BioMed Research International . 2015

[10]

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

← 1 2 →