自适应双层粒子群优化算法

周志勇; 李荣雨

Chinese

您当前的位置：

首页 >

文章列表页 >

自适应双层粒子群优化算法

更新时间：2026-09-04

- 自适应双层粒子群优化算法
- Adaptive Double Layers Particle Swarm Optimization Algorithm
- 微电子学与计算机 2016年33卷第11期页码：10-13
- 作者机构：
  
  南京工业大学机构计算机科学与技术学院,江苏,南京,211816
- 作者简介：
- 基金信息：
  
  江苏省高校自然科学基金 12KJB510007
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
周志勇, 李荣雨. 自适应双层粒子群优化算法[J]. 微电子学与计算机, 2016, 33(11): 10-13, 19.

ZHOU Zhi-yong, LI Rong-yu. Adaptive Double Layers Particle Swarm Optimization Algorithm[J]. 2016, 33(11): 10-13.
周志勇, 李荣雨. 自适应双层粒子群优化算法[J]. 微电子学与计算机, 2016, 33(11): 10-13, 19. DOI：

ZHOU Zhi-yong, LI Rong-yu. Adaptive Double Layers Particle Swarm Optimization Algorithm[J]. 2016, 33(11): 10-13. DOI：

摘要

针对粒子群优化算法(PSO)在解决复杂问题时存在着早熟收敛和进化后期收敛速度较慢的问题

提出一种自适应双层粒子群优化算法(ADLPSO).在每次种群迭代时

利用双层粒子群中的记忆群体向全局最优位置靠近的特性

通过改进的粒子群更新公式更新记忆群体.同时为提高群体的多样性

对惯性权重进行自适应调整

并令自适应过程和双层粒子群的更新同步进行.仿真结果表明ADLPSO算法能够快速的得到更优解.

Abstract

The particle swarm optimization (PSO) has some shortcomings

such as premature convergence and low convergence speed in the late evolutionary. An improved algorithm is proposed which is Adaptive Double Layer Particle Swarm Optimization algorithm(ADLPSO).In each population iteration

the algorithm takes advantage of the characteristic of memory swarm to tent to the global optimal position on double layer particle swarm

memory swarm being updated by using an improved the memory particle swarm update formula. At the same time

in order to improving the diversity of the population

it uses an improved adaptive adjustment strategy to update inertia weight and makes the adaptive process and the update of the double layer particle swarm synchronization. The experiment results show that that the new algorithm is more fast to find better solution.

关键词

Keywords

references

Shi Y, Eberhart R C. A modified particle swarm optimizer[C]//Proceedings of the IEEE Conference on Evolutionary Computation. Piscataway, NJ: IEEE Press, 1998: 69-73.

Chatterjee A, SiarryP. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimiazation[J]. Computers%Operations Research, 2006, 33(3): 859-871. DOI: 859

Wei Hong Lim, Nor Ashidi Mat Isa. Two-layer particle swarm optimization with intelligent division of labor[J]. Engineering Applications of Artificial Intelligence, 2013, 26(1): 2327-2348. DOI: 2327

Epitropakisa M C, Plagianakos V P, Vrahatis M N. Evolving cognitive and social experience in particle swarm optimization through differential evolution: a hybrid approach[J]. Information Sciences, 2010, 216(24): 50-92. DOI: 50

Alec Banks, Jonathan Vincent, Chukwudi Anyakoha. A review of particle swarm optimization. Part Ⅰ: background and development[J]. Nat Comput, 2007, 35(6): 467-484. DOI: 467

韩江洪, 李正荣, 魏振春. 一种自适应粒子群优化算法及其仿真研究[J]. 系统仿真学报, 2006, 18(10): 2969-2971. DOI: 2969

Khare Anula, Rangnekar Saroj. A review of particle swarm optimization and its applications in solar photovoltaic system[J]. Applied SoftComputing, 2013, 12(5): 2997-3006. DOI: 2997

Wei Hong Lim, Nor Ashidi, Mat Isa. An adaptive two-layer particle swarm optimization with elitist learning strategy[J]. Information Sciences, 2014 (273): 49-72. DOI: 49

Kennedy J, Eberhart R C. Particle swarm optimization[C]//IEEE International Conference on Neural Networks. Piscataway, NJ: IEEE Press, 1995: 1942-1948.

敖永才, 师奕兵, 张伟, 等. 自适应惯性权重的改进粒子群算法[J]. 电子科技大学学报, 2014, 55(6): 874-881. DOI: 874

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(8): 2116-2119. DOI: 2116

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于MSS-YOLO-MPHands融合架构的装配手部动作识别研究

V型沟槽SiC中子探测器的蒙特卡洛分析

基于监控指标关联性的微服务异常检测

基于改进RT-DETR的航拍小目标检测算法

低功耗设计的双链电源关断策略的实现与验证