基于动态加速因子的粒子群优化算法研究

滕志军; 吕金玲; 郭力文; 王志新; 许恒; 袁丽红

Chinese

您当前的位置：

首页 >

文章列表页 >

基于动态加速因子的粒子群优化算法研究

更新时间：2026-09-04

- 基于动态加速因子的粒子群优化算法研究
- Research on Particle Swarm Optimization Based on Dynamic Acceleration Coefficients
- 微电子学与计算机 2017年34卷第12期页码：125-129
- 作者机构：
  
  1. 东北电力大学机构信息工程学院,吉林,吉林,132012
  2. 国网吉林供电公司信息通信分公司,吉林,吉林,132011
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目 51277023
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
滕志军, 吕金玲, 郭力文, 王志新, 许恒, 袁丽红. 基于动态加速因子的粒子群优化算法研究[J]. 微电子学与计算机, 2017, 34(12): 125-129.

TENG Zhi-jun, LV Jin-ling, GUO Li-wen, et al. Research on Particle Swarm Optimization Based on Dynamic Acceleration Coefficients[J]. 2017, 34(12): 125-129.
滕志军, 吕金玲, 郭力文, 王志新, 许恒, 袁丽红. 基于动态加速因子的粒子群优化算法研究[J]. 微电子学与计算机, 2017, 34(12): 125-129. DOI：

TENG Zhi-jun, LV Jin-ling, GUO Li-wen, et al. Research on Particle Swarm Optimization Based on Dynamic Acceleration Coefficients[J]. 2017, 34(12): 125-129. DOI：

摘要

针对固定加速因子导致粒子群算法中函数优化精度差、易于陷入局部最优、后期时收敛速率较缓慢等问题

提出一种基于动态加速因子的改进粒子群优化算法(PSO-DAC).采用递减的惯性权重系数

提高权衡局部搜索和全局搜索的能力

引入动态的加速因子

有利于全局搜索以改善粒子群算法的收敛速度及精度.借助四个常用的测试函数与标准粒子群算法进行仿真测验对比

结果显示

改进之后的算法的最优解精度明显提高于利用标准粒子群算法所得出的最优解精度

同时比标准粒子群算法迭代次数降低51.28%以上

能够更快搜索到最优解

特别是在多峰函数中表现更加明显.

Abstract

For fixed acceleration factors in the particle swarm optimization cause the function optimization accuracy poorly

easy to fall into local optimal solution and slow late convergence

this paper presents an improved particle swarm optimization base on dynamic acceleration coefficients(PSO-DAC).Adopting decreasing inertia weight coefficients improve the ability of weigh local search and global search capability.At the same time

introducing dynamic acceleration coefficients raise the convergence speed and accuracy of the particle swarm algorithm.By four commonly used benchmark functions

the improved particle swarm algorithm contrasts with the standard particle swarm optimization through simulation experiments.The experimental results show

the improved algorithm comparing with the standard particle swarm optimization has higher accuracy and reduce the number of iterations over 51.28%.The optimal solution can be found more quickly

especially in multimodal function.

关键词

Keywords

references

Borowska B. PAPSO algorithm for optimization of the coil arrangement[J]. Przeglad Elektrotechniczny(Electrical Review), 2013, 89: 272-274. DOI: 272

Kennedy J, Eberhat R C. Particle swarm optimization[C]//IEEE International Conference on Neural Neworks. Perth, Australia, 1995: 1942-1948.

Yildiz A R, Solanki K N. Multi-objective optimization of vehicle crashworthiness using a new particle swarm based approach[J]. Int. J. Advanced Manufacturing Technology, 2012, 59: 367-376. DOI: 367

龙文, 梁昔明, 董淑华, 等. 动态调整惯性权重的粒子群优化算法[J]. 计算机应用, 2009, 29(8): 2240-2242. DOI: 2240

延丽平, 曾建潮. 具有自适应随机惯性权重的PSO算法[J]. 计算机工程与设计, 2016, 27(24): 4677-4679. DOI: 4677

王洪涛, 任燕. 基于改进惯性权重的粒子群优化算法[J]. 计算机应用与软件, 2011, 28(10): 271-274. DOI: 271

王迪, 吴鑫强, 王振浩. 基于改进遗传算法的含分布式电源配电网故障定位[J]. 东北电力大学学报, 2016, 36(1): 1-7. DOI: 1

孟庆宽, 张漫, 杨耿煌, 等. 自然光照下基于粒子群算法的农业机械导航路径识别[J]. 农业机械学报, 2016, 47(6): 11-20. DOI: 11

李菁华, 张峥, 方达, 等. 基于混合差分蜂群算法的城市电动汽车充电站布局规划[J]. 东北电力大学学报, 2016, 36(4): 84-90. DOI: 84

阳同光, 桂卫华. 基于粒子群优化自适应反推光伏并网逆变器控制研究[J]. 中国电机工程学报, 2016, 36(11): 3030-3044. DOI: 3030

刘志雄, 梁华. 粒子群算法中随机数参数的设置与实验分析[J]. 控制理论与应用, 2010, 27(11): 1489-1496. DOI: 1489

潘峰, 周倩, 李位星, 等. 标准粒子群优化算法的马尔科夫链分析[J]. 自动化学报, 2013, 39(4): 381-389. DOI: 381

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

面向处理器分支预测单元的Spectre攻击轻量化防御方法

超低功耗实时时钟电路的设计

低功耗设计的双链电源关断策略的实现与验证

基于监控指标关联性的微服务异常检测

V型沟槽SiC中子探测器的蒙特卡洛分析