粒子群优化算法中的分步式策略 |
| |
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(自然科学版), 2009, 38(3): 435-440. DOI: 10.3969/j.issn.1001-0548.2009.03.028 |
| |
作者姓名: | 胡建 李志蜀 欧鹏 罗思达 |
| |
作者单位: | 四川大学计算机学院,成都,610065;四川大学计算机学院,成都,610065;四川大学计算机学院,成都,610065;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,四川省科技厅重点项目 |
| |
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。
|
关 键 词: | 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 |
收稿时间: | 2008-09-12 |
Stepwise Strategies in Particle Swarm Optimization |
| |
Affiliation: | 1.College of Computer Science,Sichuan University Chengdu 610065 |
| |
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. |
| |
Keywords: | |
本文献已被 维普 万方数据 等数据库收录! |
| 点击此处可从《电子科技大学学报(自然科学版)》浏览原始摘要信息 |
|
点击此处可从《电子科技大学学报(自然科学版)》下载全文 |