PSO-MEA混合优化算法及其收敛性分析

李志华; 许新; 黎作鹏; 任丹萍

Chinese

您当前的位置：

首页 >

文章列表页 >

PSO-MEA混合优化算法及其收敛性分析

更新时间：2026-09-04

- PSO-MEA混合优化算法及其收敛性分析
- PSO-MEA Hybrid Optimization Algorithm and Its Convergence Analysis
- 微电子学与计算机 2017年34卷第6期页码：118-122
- 作者机构：
  
  河北工程大学机构信息与电子工程学院,河北,邯郸,056038
- 作者简介：
- 基金信息：
  
  河北省教育厅科学研究计划项目 QN2015046河北省高等学校科学技术的研究项目 QN20131064河北省邯郸市科学技术研究与发展计划项目 1421103054-6
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
李志华, 许新, 黎作鹏, 任丹萍. PSO-MEA混合优化算法及其收敛性分析[J]. 微电子学与计算机, 2017, 34(6): 118-122, 127.

LI Zhi-hua, XU Xin, LI Zuo-peng, et al. PSO-MEA Hybrid Optimization Algorithm and Its Convergence Analysis[J]. 2017, 34(6): 118-122.
李志华, 许新, 黎作鹏, 任丹萍. PSO-MEA混合优化算法及其收敛性分析[J]. 微电子学与计算机, 2017, 34(6): 118-122, 127. DOI：

LI Zhi-hua, XU Xin, LI Zuo-peng, et al. PSO-MEA Hybrid Optimization Algorithm and Its Convergence Analysis[J]. 2017, 34(6): 118-122. DOI：

摘要

鉴于单一的优化算法存在收敛精度低、收敛速度慢的不足

将思维进化算法(Mind Evolutionary Algorithm

MEA)和粒子群优化算法(Particle Swarm Optimization

PSO)相结合

提出了PSO-MEA混合优化算法.该算法将粒子群优化算法应用于思维进化算法的趋同操作来寻找子群体内的最优解

再对整个群体中的各个子群体进行异化操作找到全局最优解

并通过混合优化算法全局收敛性证明其全局收敛性.最终通过三个常用测试函数的仿真分析

验证了PSO-MEA算法在算法性能方面有较明显的改善

并且具有收敛精度高和收敛速度快的特点.

Abstract

In view of the disadvantages of low convergence precision and slow convergence rate of the single optimization algorithm

this study combined the mind evolutionary algorithm (MEA) and the particle swarm optimization (PSO) and proposed the PSO-MEA hybrid optimization algorithm. The similar-taxis operation of the mind evolutionary algorithm used the particle swarm optimization algorithm to search the optimal solution of the sub population. The sub populations in the whole population used the dissimilation operation of the mind evolutionary algorithm to find the global optimal solution. And the global convergence of hybrid optimization algorithm is used to proof the convergence of the algorithm. Finally

through the simulation analysis of three commonly used test functions

the PSO-MEA hybrid optimization algorithm has obvious improvement in the performance of the algorithm and has the characteristics of high convergence precision and fast convergence speed.

关键词

Keywords

references

Eberhart R C, Kennedy J. A new optimizer using particles swarm theory[C]//Proceedings of the Sixth International Symposium on Micro Machine and Human Science. Nagoya: IEEE Inc, 1995: 39-43.

刘建平. 基于混沌和差分进化的混合粒子群优化算法[J]. 计算机仿真, 2012, 29(2): 208-212. DOI: 208

Sun Chenyi, Sun Yan, Wei Lijun. Mind-evolution-based machine learning: framework and the implementation of optimization[C]//Proceeding of IEEE International Conference on Intelligent Engineering Systems. Vrenna, Austria: IEEE, 1998, 335-359.

文丽, 吴量大. 高等数学[M]. 北京: 北京大学出版社, 1989: 48-59. DOI: 48

王芳, 谢克明, 刘建霞. 基于群体智能的思维进化算法设[J]. 控制与决策, 2010, 25(1): 145-149. DOI: 145

Sun Chenyi, Sun Yan, Xie Keming. Mind-evolution-based machine learning: an efficient approach of evolution computation[C]//Proceeding of the 3rd world congress on intelligent control and automation. IEEE, 2000: 118-121.

黄婷婷, 梁意文. 云工作流任务调度的模拟退火遗传改进算法[J]. 微电子学与计算机, 2016, 33(1): 42-46. DOI: 42

程翔, 刘升. 云自适应混合细菌觅食优化算法[J]. 微电子学与计算机, 2015, 32(5): 111-116, 121. DOI: 111

彭智, 谢玲. 混合优化算法的全局收敛性分析[J]. 北京理工大学学报, 2012, 4(32): 435-440. DOI: 435

李宝磊, 施心陵, 苟常兴, 等. 多元优化算法及其收敛性分析[J]. 自动化学报, 2015, 41(5): 949-959. DOI: 949

闫婷, 谢红薇. 混合细菌觅食和粒子群的k-means聚类算法[J]. 微电子学与计算机, 2016, 33(6): 59-62, 67. DOI: 59

郭红戈. 思维进化算法的转移概率分析及几乎处处收敛性证明[J]. 控制与决策, 2014, 12(29): 2201-2206. DOI: 2201

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

超低功耗实时时钟电路的设计

注意力机制与改进密集卷积引导的信息隐藏模型

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

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