复合策略惯性权重的粒子群优化算法

doi:10.3724/SP.J.1087.2012.02216

计算机应用 ›› 2012, Vol. 32 ›› Issue (08): 2216-2218.DOI: 10.3724/SP.J.1087.2012.02216

复合策略惯性权重的粒子群优化算法

郜振华¹,梅莉¹,祝远鉴²

1. 安徽工业大学管理科学与工程学院，安徽马鞍山 243002
2. 华中科技大学软件学院，武汉 430074

收稿日期:2012-02-23 修回日期:2012-04-16 发布日期:2012-08-28 出版日期:2012-08-01
通讯作者: 郜振华
作者简介:郜振华(1972-)，男，安徽濉溪人，副教授，博士，CCF会员，主要研究方向：人工智能;
梅莉(1984-)，女，江苏盐城人，硕士研究生，主要研究方向：物流系统优化;
祝远鉴(1979-)，男，江苏徐州人，主要研究方向：人工智能。
基金资助:
国家自然科学基金资助项目(71172219);国家自然科学基金资助项目(61174175)

Particle swarm optimization algorithm with composite strategy inertia weight

GAO Zhen-hua¹,MEI Li¹,ZHU Yuan-jian²

1. School of Management Science and Engineering, Anhui University of Technology, Maanshan Anhui 343002, China
2. School of Software Engineering, Huazhong University of Science and Technology, Wuhan Hubei 430074, China

Received:2012-02-23 Revised:2012-04-16 Online:2012-08-28 Published:2012-08-01
Contact: GAO Zhen-hua

摘要/Abstract

摘要： 针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题，提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点，对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较，用Griewank和Rastrigin函数进行测试，结果表明，适当调整典型线性递减策略和动态变化策略的权重，L-DPSO算法的收敛速度明显优于LPSO和DPSO算法，收敛精度也有所提高。最后，对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较，用Griewank和Rastrigin函数进行测试，结果表明L-DPSO算法也有明显优势。

关键词: 粒子群优化, 惯性权重, 复合策略

Abstract: A new Particle Swarm Optimization (PSO) algorithm with linearly decreasing and dynamically changing inertia weight named L-DPSO was presented to solve the problem that the linearly decreasing inertia weight of the PSO cannot match with the nonlinear changing characteristic. The linear strategy of linearly decreasing inertia weight and the nonlinear strategy of dynamically changing inertia weight were used in the algorithm. The weights were given to two methods separately. Using the test functions of Griewank and Rastrigin to compare L-DPSO with linearly decreasing inertia weight (LPSO) and dynamically changing inertia weight (DPSO), the experimental results show that the convergence speed of L-DPSO is obviously superior to LPSO and DPSO, and the convergence accuracy is also increased. At last, the test functions of Griewank and Rastrigin were used to compare L-DPSO with several commonly used inertia weights, and results show that L-DPSO has obvious advantage too.

Key words: Particle Swarm Optimization (PSO), inertia weight, composite strategy

中图分类号:

TP183

郜振华梅莉祝远鉴. 复合策略惯性权重的粒子群优化算法[J]. 计算机应用, 2012, 32(08): 2216-2218.

GAO Zhen-hua MEI Li ZHU Yuan-jian. Particle swarm optimization algorithm with composite strategy inertia weight[J]. Journal of Computer Applications, 2012, 32(08): 2216-2218.

参考文献

[1]KENNEDY J, EBERHART R. Particle swarm optimization[C]// Proceedings of IEEE International Conference on Neural Networks. Piscataway: IEEE, 1995, 4: 1942-1948. [2]EBERHART R, KENNEDY J．A new optimizer using particle swarm theory [C]// MHS '95: Proceedings of the Sixth International Symposium on Micro Machine and Human Science. Piscataway: IEEE, 1995: 39-43. [3]李爱国，覃征，鲍复民, 等．粒子群优化算法[J].计算机工程与应用，2002，38(21)：1-3. [4]孙湘，周大为，张希望．惯性权重粒子群算法模型收敛性分析及参数选择[J].计算机工程与设计，2010，31(18)：4068-4071. [5]SHI Y, EBERHART R C. Empirical study of particle swarm optimization[C]// Proceedings of the 1999 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 1999, 3: 1945-1950． [6]SHI Y, EBERHART R C. Fuzzy adaptive particle swarm optimization[C]// Proceedings of the 2001 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 2001, 1: 101-106． [7]EBERHART R C, SHI Y. Tracking and optimizing dynamic systems with particle swarms [C]// Proceedings of the 2001 IEEE Congress on Evolutionary Computation. Piscataway: IEEE, 2001, 1: 94-100． [8]PERAM T, VEERAMACHANENI K, MOHAN C K. Fitness-distance-ratio based particle swarm optimization [C]// SIS '03: Proceeding of the IEEE Swarm Intelligence Symposium. Piscataway: IEEE, 2003: 174-181. [9]张选平，杜玉平，秦国强，等．一种动态改变惯性权的自适应粒子群算法[J].西安交通大学学报，2005，39(10)：1039-1042. [10]孙越泓，魏建香，夏德深．一种基于粒子对称分布多样性的PSO算法[J].模式识别与人工智能，2010，23(2)：137-143. [11]郜振华．粒子群优化算法在配送中心连续性选址中的应用[J].JOCA，2008，28(9)：2401-2403. [12]王启付，王战江，王书亭．一种动态改变惯性权重的粒子群优化算法[J].中国机械工程，2005，16(11)：945-948. [13]陈贵敏，贾建援，韩琪．粒子群优化算法的惯性权值递减策略研究[J].西安交通大学学报，2006，40(1)：53-56，61. [14]郭文忠，陈国龙．粒子群优化算法中惯性权值调整的一种新策略[J].计算机工程与科学，2007，29(1)：70-72,75. [15]黄翀鹏，熊伟丽，徐保国．惯性权值对粒子群算法收敛性的影响及改进[J].计算机工程，2008，34(12)：31-33. [16]龙文，梁昔明，董淑华，等．动态调整惯性权重的粒子群优化算法[J].JOCA，2009，29(8)：2240-2242. [17]刘怀亮，高鹰，许若宁，等．一种新的改进粒子群优化方法[J].计算机工程与应用，2010，46(12)：38-41. [18]李太勇，吴江，朱波，等．一种基于距离度量的自适应粒子群优化算法[J].计算机科学，2010，37(10)：214-216. [19]高磊．一种动态非线性改变惯性权的自适应粒子群优化算法[J].科学技术与工程，2011，11(17)：3984-3988. [20]SHI Y H, EBERHART R C. A modified particle swarm optimizer [C]// The 1998 IEEE International Conference on Evolutionary Computation Proceedings: IEEE World Congress on Computational Intelligence. Piscataway: IEEE， 1998: 69-73. [21]秦洪德，石丽丽．一种新型的被动启发式粒子群优化算法[J].哈尔滨工程大学学报，2010，31(10)：1298-1302. [22]刘锦萍，郁金祥．基于改进的粒子群算法的多元线性回归模型参数估计[J].计算机工程与科学，2010，32(4)：101-105.

复合策略惯性权重的粒子群优化算法

Particle swarm optimization algorithm with composite strategy inertia weight

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	陈俊, 何庆. 基于余弦相似度的改进蝴蝶优化算法[J]. 计算机应用, 2021, 41(9): 2668-2677.
[2]	张闻强, 邢征, 杨卫东. 基于多区域采样策略的混合粒子群优化求解多目标柔性作业车间调度问题[J]. 计算机应用, 2021, 41(8): 2249-2257.
[3]	张盟, 郭健全. 需求和回收不确定的闭环供应链渠道结构选择[J]. 计算机应用, 2021, 41(7): 2100-2107.
[4]	李萍, 汪芬, 陈祺东, 孙俊. 求解多目标社区发现问题的离散化随机漂移粒子群优化算法[J]. 计算机应用, 2021, 41(3): 803-811.
[5]	唐延强, 李成海, 宋亚飞. 基于改进粒子群优化和极限学习机的网络安全态势预测[J]. 计算机应用, 2021, 41(3): 768-773.
[6]	樊小毛, 熊红林, 赵淦森. 带约束的清洁排班问题模型及其求解[J]. 计算机应用, 2021, 41(2): 577-582.
[7]	王泽昆, 贺毅朝, 李焕哲, 张发展. 基于新颖S型转换函数的二进制粒子群优化算法求解具有单连续变量的背包问题[J]. 计算机应用, 2021, 41(2): 461-469.
[8]	郭秀婷, 朱昶胜, 张生财, 赵奎鹏. 分形插值在风速时间序列中的应用[J]. 计算机应用, 2020, 40(9): 2628-2633.
[9]	罗斌, 于波. 移动边缘计算中基于粒子群优化的计算卸载策略[J]. 计算机应用, 2020, 40(8): 2293-2298.
[10]	曾明华, 全轲. 双层规划的改进混合布谷鸟搜索量子行为粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1908-1912.
[11]	周文峰, 梁晓磊, 唐可心, 李章洪, 符修文. 具有拓扑时变和搜索扰动的混合粒子群优化算法[J]. 计算机应用, 2020, 40(7): 1913-1918.
[12]	施晓倩, 陈祺东, 孙俊, 冒钟杰. 变分布的量子行为粒子群优化算法求解工程约束优化问题[J]. 计算机应用, 2020, 40(5): 1382-1388.
[13]	霍晴晴, 郭健全. 基于改进遗传算法的生鲜多目标闭环物流网络模型[J]. 计算机应用, 2020, 40(5): 1494-1500.
[14]	许洋, 秦小林, 刘佳, 张力戈. 多无人机自适应编队协同航迹规划[J]. 计算机应用, 2020, 40(5): 1515-1521.
[15]	王杨, 赵红东. 基于改进粒子群优化的支持向量机与情景感知的人体活动识别[J]. 计算机应用, 2020, 40(3): 665-671.