粒子群优化算法中的分步式策略

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

粒子群优化算法中的分步式策略

胡建, 李志蜀, 欧鹏, 罗思达

文章导航 > 电子科技大学学报 > 2009 > 38(3): 435-440

胡建, 李志蜀, 欧鹏, 罗思达. 粒子群优化算法中的分步式策略[J]. 电子科技大学学报, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

引用本文:

胡建, 李志蜀, 欧鹏, 罗思达. 粒子群优化算法中的分步式策略[J]. 电子科技大学学报, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

HU Jian, LI Zhi-shu, OU Peng, LUO Si-da. Stepwise Strategies in Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

Citation:

HU Jian, LI Zhi-shu, OU Peng, LUO Si-da. Stepwise Strategies in Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

粒子群优化算法中的分步式策略

doi: 10.3969/j.issn.1001-0548.2009.03.028

1.
四川大学计算机学院成都 610065

基金项目:

国家科技部中小型科技企业创新基金(06C26225101730);四川省科技厅重点项目(05GG021-003-2)

作者简介:
胡建(1980-)，男，博士生，主要从事智能优化及图像融合方面的研究.

中图分类号: TP301

Stepwise Strategies in Particle Swarm Optimization

1.
College of Computer Science,Sichuan University Chengdu 610065

摘要: 为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题，提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习，使粒子能在更有潜力的区域搜索；并简化了其升级规则，使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价，使粒子向目标最优位置“稳步前进”；并通过对维之间的关系的检测，解决了维不可分解的问题。实验证明，新算法具有很好的收敛速度和抗早熟能力。
- 收敛性 /
- 进化算法 /
- 评价策略 /
- 学习策略 /
- 粒子群优化 /
- 分步式策略 /
- 群体智能
Abstract: The particle swarm optimization (PSO) may be trapped in local optima and fail to converge to global optima, especially for multimodal and high-dimensional problems. To handle this problem, a stepwise learning strategy and a stepwise evaluation strategy are presented. The former makes each particle learn from only one particle's historical best information in each update progress in order to search in a potential area, and simplifies particles' update rules to easily control their convergence behaviors. The latter enables each particle to be evaluated in dimension-by-dimension order so as to step steadily toward the destination position, and settles non-separable problems by means of detecting relationships between dimensions. Application of the new PSO on several benchmark optimization problems shows a marked improvement in performance over six other recent variants of the PSO.
- convergence /
- evolutionary algorithms /
- evaluation strategy /
- learning strategy /
- particle swarm optimization /
- stepwise strategy /
- swarm intelligence

[1]	李虎泉, 郭世盛, 陈家辉, 崔国龙, 孔令讲. 分布式穿墙成像雷达空间配准方法 . 电子科技大学学报, 2023, 52(1): 30-37. doi: 10.12178/1001-0548.2022162
[2]	杨彦祥, 张翔引, 李波, 秦开宇. 基于群体智能算法的无人机蜂群拓扑构型方法 . 电子科技大学学报, 2023, 52(2): 203-208. doi: 10.12178/1001-0548.2022091
[3]	周宁, 张嵩霖, 张晨. 融合粗糙数据推理的多策略改进麻雀搜索算法 . 电子科技大学学报, 2022, 51(5): 743-753. doi: 10.12178/1001-0548.2021288
[4]	鲁华祥, 尹世远, 龚国良, 刘毅, 陈刚. 基于深度确定性策略梯度的粒子群算法 . 电子科技大学学报, 2021, 50(2): 199-206. doi: 10.12178/1001-0548.2020420
[5]	张强, 李盼池, 王梅. 基于自适应进化策略的人工蜂群优化算法 . 电子科技大学学报, 2019, 48(4): 560-566. doi: 10.3969/j.issn.1001-0548.2019.04.013
[6]	唐贤伦, 刘庆, 张娜, 周家林. 混合PSO优化卷积神经网络结构和参数 . 电子科技大学学报, 2018, 47(2): 230-234. doi: 10.3969/j.issn.1001-0548.2018.02.011
[7]	张云春, 王玉婧, 姚绍文, 李娜, 胡建陶. 基于粒子群优化的无线Mesh网络信道分配算法 . 电子科技大学学报, 2017, 46(5): 728-733, 746. doi: 10.3969/j.issn.1001-0548.2017.05.015
[8]	余娟, 廖龙飞, 朱黎丽, 颜伟, 赵雪骞, 赵霞. 抗不良杠杆量测的稳定收敛状态估计方法 . 电子科技大学学报, 2014, 43(4): 552-556,590. doi: 10.3969/j.issn.1001-0548.2014.04.014
[9]	王聪, 张凤荔, 刘梦娟, 王勇. IP网络坐标抖动感知与慢启动抑制 . 电子科技大学学报, 2012, 41(6): 921-926. doi: 10.3969/j.issn.1001-0548.2012.06.020
[10]	谭骏, 陈兴蜀, 杜敏, 朱锴. 基于自适应BP神经网络的网络流量识别算法 . 电子科技大学学报, 2012, 41(4): 580-585. doi: 10.3969/j.issn.1001-0548.2012.04.020
[11]	耿技, 聂鹏, 秦志光. 软件确保智能测试用例生成PSO算法进展研究 . 电子科技大学学报, 2012, 41(6): 905-910. doi: 10.3969/j.issn.1001-0548.2012.06.017
[12]	王维博, 冯全源. 粒子群优化算法在天线方向图综合中的应用 . 电子科技大学学报, 2011, 40(2): 237-241. doi: 10.3969/j.issn.1001-0548.2011.02.016
[13]	赵学智, 叶邦彦. 单向收缩QR算法在奇异值分解中的收敛特性 . 电子科技大学学报, 2010, 39(5): 762-768. doi: 10.3969/j.issn.1001-0548.2010.05.024
[14]	周欣然, 滕召胜, 易钊. 粒子群优化的广义T-S模糊模型参数学习方法 . 电子科技大学学报, 2008, 37(4): 569-573.
[15]	郑晓鸣, 吕士颖, 王晓东. 免疫接种粒子群的聚类算法 . 电子科技大学学报, 2007, 36(6): 1264-1267.
[16]	王友仁, 张砦, 施玉霞, 姚睿. 题库系统智能成卷理论和组卷方法研究 . 电子科技大学学报, 2006, 35(3): 363-366.
[17]	撒晓婴, 周武. Hilbert空间中一类拟变分不等式问题 . 电子科技大学学报, 2005, 34(5): 717-719.
[18]	袁玉波, 高中喜, 黄廷祝, 刘福体. JOR迭代法的收敛性 . 电子科技大学学报, 2003, 32(6): 790-792.
[19]	尚明生, 孙世新, 王庆先. 一类集值拟变分包含解的存在性定理 . 电子科技大学学报, 2001, 30(5): 525-528.
[20]	刘荧, 林嘉宇, 毛均杰. 幅度补偿问题的松弛迭代法的收敛性 . 电子科技大学学报, 2000, 29(1): 33-37.

WeChat

点击查看大图

计量

文章访问数: 4564
HTML全文浏览量: 152
PDF下载量: 62
被引次数: 0

粒子群优化算法中的分步式策略

doi: 10.3969/j.issn.1001-0548.2009.03.028

1. 四川大学计算机学院成都 610065

基金项目:

国家科技部中小型科技企业创新基金(06C26225101730);四川省科技厅重点项目(05GG021-003-2)

作者简介:
胡建(1980-)，男，博士生，主要从事智能优化及图像融合方面的研究.

收稿日期: 2008-09-12
修回日期: 2009-03-12
刊出日期: 2009-06-15

中图分类号: TP301

关键词:

摘要: 为了解决粒子群优化算法(PSO)在处理高维多极值问题时容易陷入局部最优而早熟的问题，提出了分步式学习策略和分步式评价策略。前者让粒子每次升级只向某一个榜样学习，使粒子能在更有潜力的区域搜索；并简化了其升级规则，使粒子的搜索行为更易被控制。后者对粒子的位置矢量逐维进行评价，使粒子向目标最优位置“稳步前进”；并通过对维之间的关系的检测，解决了维不可分解的问题。实验证明，新算法具有很好的收敛速度和抗早熟能力。

English Abstract

胡建, 李志蜀, 欧鹏, 罗思达. 粒子群优化算法中的分步式策略[J]. 电子科技大学学报, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

引用本文:

胡建, 李志蜀, 欧鹏, 罗思达. 粒子群优化算法中的分步式策略[J]. 电子科技大学学报, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

HU Jian, LI Zhi-shu, OU Peng, LUO Si-da. Stepwise Strategies in Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

Citation:

HU Jian, LI Zhi-shu, OU Peng, LUO Si-da. Stepwise Strategies in Particle Swarm Optimization[J]. Journal of University of Electronic Science and Technology of China, 2009, 38(3): 435-440. doi: 10.3969/j.issn.1001-0548.2009.03.028

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发