基于高斯扰动的粒子群优化算法

doi:10.11772/j.issn.1001-9081.2014.03.0754

计算机应用 ›› 2014, Vol. 34 ›› Issue (3): 754-759.DOI: 10.11772/j.issn.1001-9081.2014.03.0754

基于高斯扰动的粒子群优化算法

朱德刚¹,孙辉²,赵嘉²,余庆²

1. 南昌航空大学信息工程学院，南昌330063
2. 南昌工程学院信息工程学院，南昌330099

收稿日期:2013-08-12 修回日期:2013-10-30 发布日期:2014-04-01 出版日期:2014-03-01
通讯作者: 孙辉
作者简介:朱德刚（1988-），男，安徽芜湖人，硕士研究生，主要研究方向：群智能优化算法；孙辉（1959-），男，江西九江人，教授，博士，主要研究方向：智能计算、Rough集与粒计算、变分不等原理与变分不等式；赵嘉（1981-），男，江西九江人，副教授，主要研究方向：智能优化算法；余庆（1990-），男，江西上饶人，硕士研究生，主要研究方向：智能信息处理。
基金资助:
国家自然科学基金资助项目;江西省自然科学基金资助项目;江西省自然科学基金资助项目;江西教育厅科技项目

Particle swarm optimization algorithm based on Gaussian disturbance

ZHU Degang¹,SUN Hui²,ZHAO Jia²,YU Qing²

1. School of Information Engineering, Nanchang Hangkong University, Nanchang Jiangxi 330063, China;
2. School of Information Engineering, Nanchang Institute of Technology, Nanchang Jiangxi 330099, China

Received:2013-08-12 Revised:2013-10-30 Online:2014-04-01 Published:2014-03-01
Contact: SUN Hui
Supported by:
National Natural Science Foundation

摘要/Abstract

摘要：

针对标准粒子群优化(PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点，提出一种基于高斯扰动的粒子群优化算法。该算法采用对粒子个体最优位置加入高斯扰动策略，有效地防止算法陷入局部最优，加快收敛并提高收敛精度。在固定评估次数的情况下，对8个常用的经典基准测试函数在30维上进行了仿真。实验结果表明，所提算法在收敛速度和寻优精度上优于一些知名的粒子群优化算法。

关键词: 粒子群优化算法, 高斯扰动, 快速收敛, 全局搜索

Abstract:

As standard Particle Swarm Optimization (PSO) algorithm has some shortcomings, such as getting trapped in the local minima, converging slowly and low precision in the late of evolution, a new improved PSO algorithm based on Gaussian disturbance (GDPSO) was proposed. Gaussian disturbance was put into in the personal best positions, which could prevent falling into local minima and improve the convergence speed and accuracy. While keeping the same number of function evaluations, the experiments were conducted on eight well-known benchmark functions with dimension of 30. The experimental results show that the GDPSO algorithm outperforms some recently proposed PSO algorithms in terms of convergence speed and solution accuracy.

Key words: Particle Swarm Optimization (PSO) algorithm, Gaussian disturbance, fast convergence, global search

中图分类号:

TP301.6
TP18

朱德刚孙辉赵嘉余庆. 基于高斯扰动的粒子群优化算法[J]. 计算机应用, 2014, 34(3): 754-759.

ZHU Degang SUN Hui ZHAO Jia YU Qing. Particle swarm optimization algorithm based on Gaussian disturbance[J]. Journal of Computer Applications, 2014, 34(3): 754-759.

[1]	高培根, 锁斌. 基于加权犹豫模糊集的实验设计与分阶段PSO-Kriging建模[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2144-2150.
[2]	杜晓昕, 周薇, 王浩, 郝田茹, 王振飞, 金梅, 张剑飞. 智能算法的亚群优化策略综述[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 819-830.
[3]	王震, 张珊珊, 邬斌扬, 苏万华. 基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 611-618.
[4]	梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[5]	高智慧, 韩萌, 刘淑娟, 李昂, 穆栋梁. 基于智能优化算法的高效用项集挖掘方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1676-1686.
[6]	于振华, 刘争气, 刘颖, 郭城. 基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[7]	马学森, 许雪梅, 蒋功辉, 乔焰, 周天保. 混合自适应粒子群工作流调度优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 474-483.
[8]	柳春锋, 李峥, 王居凤. 分布式工厂中微型制造单元多目标优化[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3824-3832.
[9]	盖荣丽, 高守传, 李明霞. 粒子群优化算法求解最优控制点的非均匀有理B样条曲线拟合[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2177-2183.
[10]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民. 基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[11]	聂方鑫, 王宇嘉, 贾欣. 教与学信息交互粒子群优化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 874-882.
[12]	张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 599-605.
[13]	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.
[14]	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.
[15]	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.

基于高斯扰动的粒子群优化算法

Particle swarm optimization algorithm based on Gaussian disturbance

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