一种改进算的鸟群算法

李延延; 万仁霞

Chinese

您当前的位置：

首页 >

文章列表页 >

一种改进算的鸟群算法

更新时间：2026-09-04

- 一种改进算的鸟群算法
- An Improved Algorithm for Bird Swarm Optimization
- 微电子学与计算机 2018年35卷第9期页码：79-84
- 作者机构：
  
  北方民族大学机构数学与信息科学学院,宁夏,银川,750021
- 作者简介：
- 基金信息：
  
  国家自然科学基金 61163017国家自然科学基金 61662001宁夏自然科学基金 NZ15094
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
李延延, 万仁霞. 一种改进算的鸟群算法[J]. 微电子学与计算机, 2018, 35(9): 79-84.

LI Yan-yan, WAN Ren-xia. An Improved Algorithm for Bird Swarm Optimization[J]. 2018, 35(9): 79-84.
李延延, 万仁霞. 一种改进算的鸟群算法[J]. 微电子学与计算机, 2018, 35(9): 79-84. DOI：

LI Yan-yan, WAN Ren-xia. An Improved Algorithm for Bird Swarm Optimization[J]. 2018, 35(9): 79-84. DOI：

摘要

针对鸟群算法(BSA)在警戒行为和飞行行为的模型设计中存在的不足

本文在原算法的基础上

为了增加鸟群警戒行为的靶向性

在选取目标个体时

采用了当前最优个体替代原算法中随机选取的方法; 为了克服飞行行为中生产者迭代步长过大而容易导致过度跳跃的不足

采用步长加权平均思想予于改进.通过对12种典型的不同类型基准函数进行实验测试

结果表明改进策略对算法的全局搜索能力和优化精度都有较大的提高

能达到更好的收敛速度和寻优精度.

Abstract

In this paper

two strategies are employed to overcome the shortcomings of the bird swarm algorithm (BSA):(1) in order to improving the search targeting of BSA vigilance behavior

the current optimal individual is adopted instead of random selection; (2) the weighted average step takes the place of the t-step in order to overcoming of sharp jump which originates from the iteration step-size of BSA flight behavior. Experimental results show that the proposed algorithm can improve both the global search ability and the optimization accuracy of BSA

and achieves a better convergence speed.

关键词

Keywords

references

Gandomi A H, Alavi A H. Krill herd:a new bioinspired optimization algorithm [J].Communications in Nonlinear Science and Numerical Simulation, 2012, 17(12):4831-4845. DOI: 4831

Kuo H C, Lin C H. A directed genetic algorithm for global optimization[J]. Applied Mathematics % Computation, 2013, 219(14):7348-7364. DOI: 7348

Yang X S, Deb S. Cuckoo search: recent advances and applications[J]. Neural Computing % Applications, 2014, 24(1):169-174. DOI: 169

Meng X, Liu Y, Gao X, et al. A new bio-inspired algorithm: chicken swarm optimization[J]. Springer International Publishing, 2014, 8794:86-94. DOI: 86

Meng X B, Gao X Z, Lu L, et al. A new bio-inspired optimisation algorithm: Bird Swarm Algorithm[J]. Journal of Experimental % Theoretical Artificial Intelligence, 2016, 28 (4) :673-687. DOI: 673

Rezaee J A R, Jasni J. Parameter selection in particle swarm optimization: a survey[J]. Journal of Experimental % Theoretical Artificial Intelligence, 2013, 25(4):527-542. DOI: 527

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

低功耗设计的双链电源关断策略的实现与验证

基于区块链的AI生成内容溯源框架设计研究

一种基于特征上下文理解与切片分析的肺结核检测算法

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真

基于监控指标关联性的微服务异常检测