基于动态种群和广义学习的粒子群算法及应用

J4 ›› 2011, Vol. 33 ›› Issue (5): 91-96.

基于动态种群和广义学习的粒子群算法及应用

刘衍民1,2,赵庆祯1

(1.遵义师范学院数学系,贵州遵义 563002;2.山东师范大学管理与经济学院,山东济南 250014)

收稿日期:2010-07-09 修回日期:2010-11-15 出版日期:2011-05-25 发布日期:2011-05-25
作者简介:刘衍民(1978),男,山东临沂人，博士生，讲师，研究方向为运筹学理论和智能计算。赵庆祯(1943),男,山东利津人，硕士，教授，研究方向为运筹学理论、进化计算和物流工程。
基金资助:
山东省科技攻关项目( 2009GG10001008);贵州教育厅社科项目(0705204)

A Particle Swarm Optimizer and Its Application Based on Dynamic Population and Comprehensive Learning

LIU Yanmin1,2,ZHAO Qingzhen1

(1.Department of Mathematics,Zunyi Normal College,Zunyi 563002;
2.School of Management and Economics,Shandong Normal University,Jinan 250014,China)

Received:2010-07-09 Revised:2010-11-15 Online:2011-05-25 Published:2011-05-25

摘要/Abstract

摘要：

为了提升粒子跳出局部最优解的能力, 本文提出一种动态种群和广义学习粒子群算法(DCPSO)。在算法运行过程中, 引入种群增加策略和减少策略以提升种群的多样性, 进而提升粒子跳出局部最优解的能力; 同时引入广义学习策略以增加粒子飞向全局最优位置的概率。在基准函数的测试中, 结果显示DCPSO算法比其它PSO算法有更好的性能; 在实际应用中, 通过对起重机箱型主梁模型进行优化, 结果显示DCPSO算法比其它算法获得了质量更高的解。

关键词: 动态种群, 广义学习, 粒子群算法

Abstract:

In order to improve the ability to escape from local optima, we present an improved particle swarm optimizer based on dynamic population and comprehensive learning (DCPSO for short). In DCPSO, the swarm population growing and declining strategies are introduced to increase the swarm diversity, further improve the ability to escape from local optima; a comprehensive learning strategy also is used to improve the probability of flying to the global best position. In the benchmark function, the results demonstrate good performance of the DCPSO algorithm in solving complex multimodal problems when compared with other PSO variants. In the optimization design for the box grider of portal gantry, the experimental results show that the DCPSO algorithm can achieve better solutions that other PSOs.

Key words: dynamic population;comprehensive learning;particle swarm optimizer

刘衍民1,2,赵庆祯1. 基于动态种群和广义学习的粒子群算法及应用[J]. J4, 2011, 33(5): 91-96.

LIU Yanmin1,2,ZHAO Qingzhen1. A Particle Swarm Optimizer and Its Application Based on Dynamic Population and Comprehensive Learning[J]. J4, 2011, 33(5): 91-96.

[1]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[2]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[3]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.
[4]	覃远年，梁仲华. 基于混合粒子群算法的运动估计研究[J]. 计算机工程与科学, 2019, 41(04): 758-764.
[5]	邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11): 2074-2079.
[6]	南敬昌，陆亚男，高明明. 基于改进混合算法优化RBF网络的滤波器建模[J]. 计算机工程与科学, 2018, 40(07): 1329-1336.
[7]	赵婧1,魏彬2. 标签SNPs选择及重构算法研究[J]. 计算机工程与科学, 2016, 38(11): 2328-2334.
[8]	熊聪聪1，耿世洁1，董昊2. 基于混合算法的降水集成预报研究[J]. 计算机工程与科学, 2016, 38(10): 2147-2152.
[9]	余胜威，曹中清. 基于分数阶达尔文粒子群FODPSO算法的图像分割[J]. 计算机工程与科学, 2016, 38(09): 1836-1842.
[10]	李锋刚1,2，骆林1,2，陈亚波1,2,蒋祥飞1,2. 求解均值-CVaR投资组合模型的改进粒子群算法[J]. 计算机工程与科学, 2016, 38(09): 1870-1877.
[11]	赵平，吴昊. 差分进化混合粒子群算法求解装配式住宅项目进度优化问题[J]. 计算机工程与科学, 2016, 38(07): 1495-1501.
[12]	卢志刚，申康. 基于粒子群蚁群算法的供应链合作伙伴选择研究[J]. J4, 2016, 38(05): 946-953.
[13]	刘欢1，2,肖根福3，欧阳春娟1. 基于互学习的自适应PSO算法的亚像素定位研究[J]. J4, 2016, 38(04): 747-754.
[14]	米根锁,梁利,杨润霞. 灰色变异粒子群算法在公交客流量预测中的应用[J]. J4, 2015, 37(01): 104-110.
[15]	胡颖，庄雷. 改进的粒子群算法在虚拟网映射中的应用[J]. J4, 2014, 36(11): 2169-2173.