改进的万有引力搜索算法在函数优化中的应用

doi:10.3724/SP.J.1087.2013.01317

计算机应用 ›› 2013, Vol. 33 ›› Issue (05): 1317-1320.DOI: 10.3724/SP.J.1087.2013.01317

改进的万有引力搜索算法在函数优化中的应用

张维平¹,²,任雪飞¹,李国强²,牛培峰²

1. 秦皇岛职业技术学院机电工程系，河北秦皇岛 066100
2. 燕山大学电气工程学院，河北秦皇岛 066004

收稿日期:2012-11-12 修回日期:2012-12-19 出版日期:2013-05-01 发布日期:2013-05-08
通讯作者: 张维平
作者简介:张维平(1980-)，女，河北保定人，博士，主要研究方向：启发式智能优化算法；任雪飞(1969-)，女，河北秦皇岛人，实验师，主要研究方向：支持向量机建模算法；李国强(1984-)，男，河北邢台人，博士研究生，主要研究方向：锅炉燃烧优化；牛培峰(1958-)，吉林长春人，教授，博士生导师，主要研究方向：热工过程优化控制。
基金资助:
河北省自然科学基金资助项目(F2010001318)

Improved gravitation search algorithm and its application to function optimization

ZHANG Weiping¹,²,REN Xuefei¹,LI Guoqiang²,NIU Peifeng²

1. Department of Electromechanical Engineering,Qinhuangdao Institute of Technology, Qinhuangdao Hebei 066100, China
2. Institute of Electrical Engineering, Yanshan University, Qinhuangdao Hebei 066004, China

Received:2012-11-12 Revised:2012-12-19 Online:2013-05-08 Published:2013-05-01
Contact: ZHANG Weiping

摘要/Abstract

摘要： 万有引力搜索算法应用于函数优化问题时易陷入局部最优解且优化精度不高。针对这些问题，提出了一种改进的万有引力搜索算法。该算法通过引入反向学习策略、精英策略和边界变异策略，显著地提高了万有引力搜索算法中粒子的探索能力与开发能力，获得了较强的全局优化能力和局部优化能力。通过对6个非线性基准函数进行仿真实验，结果表明：与基本的万有引力搜索算法、加权的万有引力搜索算法和人工蜂群算法相比，改进的万有引力搜索算法在求解复杂函数的优化问题时具有更好的优化性能。

关键词: 万有引力搜索算法, 数值函数优化, 人工蜂群算法, 启发式优化算法, 群体智能

Abstract: Gravitational Search Algorithm (GSA) easily traps into local optimal solutions and its optimization precision is poor when being applied to function optimization problems. An improved GSA (IGSA) was put forward to solve these problems. It significantly improved the exploration and exploitation abilities of GSA, and had good global and local optimization abilities by introducing opposite learning strategy, elite strategy and boundary mutation strategy. The proposed IGSA had been evaluated on six nonlinear benchmark functions. The experimental results show that, compared with standard GSA, the weighted GSA (WGSA) and Artificial Bee Colony (ABC) algorithms, the IGSA has much better optimization performances in solving various nonlinear functions.

Key words: Gravitational Search Algorithm (GSA), numerical function optimization, Artificial Bee Colony (ABC) algorithm, heuristic optimization algorithm, swarm intelligence

中图分类号:

TP18
TP301.6

张维平任雪飞李国强牛培峰. 改进的万有引力搜索算法在函数优化中的应用[J]. 计算机应用, 2013, 33(05): 1317-1320.

ZHANG Weiping REN Xuefei LI Guoqiang NIU Peifeng. Improved gravitation search algorithm and its application to function optimization[J]. Journal of Computer Applications, 2013, 33(05): 1317-1320.

参考文献

［1］RASHEDI E, NEZAMABADI-POUR H, SARYAZDI S. GSA: A gravitational search algorithm［J］. Information Sciences, 2009, 179(13): 2232-2248.

［2］RASHEDI E, NEZAMABADI-POUR H, SARYAZDI S. BGSA:Binary gravitational search algorithm［J］. Natural Computing, 2010, 9(3): 727-745.

［3］徐遥, 王士同. 引力搜索算法的改进［J］. 计算机工程与应用, 2011,47(35): 188-192.

［4］SARAFRAZI S, NEZAMABADI-POUR H, SARYAZDI S. Disruption: A new operator in gravitational search algorithm［J］. Scientia Iranica, 2011, 18(3): 539-548.

［5］谷文祥, 李向涛, 朱磊, 等. 求解流水线调度问题的万有引力搜索算法［J］. 智能系统学报, 2010, 5(5): 411-418.

［6］YIN M H, HU Y M, LI X T, et al. A novel hybrid K-harmonic means and gravitational search algorithm approach for clustering［J］. Expert Systems with Applications, 2011, 38(8): 9319-9324.

［7］谷文祥, 郭丽萍, 殷明浩. 模糊c-均值算法和万有引力算法求解模糊聚类问题［J］. 智能系统学报, 2011, 6(6): 520-525.

［8］RASHEDI E, NEZAMABADI-POUR H, SARYAZDI S. Filter modeling using gravitational search algorithm［J］. Engineering Applications of Artificial Intelligence, 2011, 24(1): 117-122.

［9］刘勇, 马良. 非线性极大极小问题的混沌万有引力搜索算法求解［J］. 计算机应用研究, 2012, 29(1): 47-49.

［10］KARABOGA D, AKAY B. A comparative study of artificial bee colony algorithm［J］. Applied Mathematics and Computation, 2009, 214(1): 108-132.

［11］KARABOGA D. An idea based on honey bee swarm for numerical optimization［R］. Kayseri: Erciyes University, Engineering Faculty, Computer Engineering Department, 2005.

［12］MANSOURI R, NASSERI F, KHORRAMI M. Effective time variation of G in a model universe with variable space dimension［J］. Physics Letters, 1999, 259(3/4): 194-200.

［13］TIZHOOSH H R. Opposition-based learning: a new scheme for machine intelligence [C] // Proceedings of International Computational Intelligence for Modeling Control and Automation. Sydney:CIMCA,2005:695-701

[1]	魏博, 杨茸, 舒思豪, 万勇, 苗建国. 基于离子运动-人工蜂群算法的移动机器人路径规划[J]. 计算机应用, 2021, 41(2): 379-383.
[2]	李文霞, 刘林忠, 代存杰, 李玉. 基于多种群组合策略的人工蜂群算法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3113-3119.
[3]	汤星峰, 徐卿钦, 马世纬. 基于路径探索的车载自组网贪婪路由算法[J]. 计算机应用, 2020, 40(6): 1738-1744.
[4]	张架鹏, 倪志伟, 倪丽萍, 朱旭辉, 伍章俊. 基于改进离散人工蜂群算法的同类机调度优化[J]. 计算机应用, 2020, 40(3): 689-697.
[5]	赵吉, 程成. 演化信息协助的动态协同随机漂移粒子群优化算法[J]. 计算机应用, 2020, 40(11): 3119-3126.
[6]	张志强, 鲁晓锋, 孙钦东, 王侃. 增强开发能力的改进人工蜂群算法[J]. 计算机应用, 2019, 39(4): 949-955.
[7]	张维存, 高蕊, 张曼. 作业车间环境下的采购生产配送联合调度模型[J]. 计算机应用, 2019, 39(11): 3383-3390.
[8]	袁小平, 蒋硕. 基于分层自主学习的改进粒子群优化算法[J]. 计算机应用, 2019, 39(1): 148-153.
[9]	方春林, 刘晓娟, 辛营营, 罗欢. 基于人工蜂群算法的轨道交通列车行车间隔优化[J]. 计算机应用, 2018, 38(9): 2725-2729.
[10]	张鑫, 邹德旋, 沈鑫. 含交叉项的混合二范数粒子群优化算法[J]. 计算机应用, 2018, 38(8): 2148-2156.
[11]	戚攀, 包开阳, 马皛源. 基于模糊C均值聚类及群体智能的WSN分层路由算法[J]. 计算机应用, 2018, 38(7): 1974-1980.
[12]	童楠, 符强, 钟才明. 基于自主学习行为的教与学优化算法[J]. 计算机应用, 2018, 38(2): 443-447.
[13]	喻德旷, 杨谊, 钱俊. 云计算资源的动态随机扰动的粒子群优化策略[J]. 计算机应用, 2018, 38(12): 3490-3495.
[14]	赵延龙, 滑楠, 于振华. 基于二次搜索的改进粒子群算法[J]. 计算机应用, 2017, 37(9): 2541-2546.
[15]	梁冰, 徐华. 基于改进人工蜂群的核模糊聚类算法[J]. 计算机应用, 2017, 37(9): 2600-2604.

改进的万有引力搜索算法在函数优化中的应用

Improved gravitation search algorithm and its application to function optimization

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