融合牛顿-最速下降算子的自适应粒子群算法

李江杰; 常安定; 陈童; 马晗

Chinese

您当前的位置：

首页 >

文章列表页 >

融合牛顿-最速下降算子的自适应粒子群算法

更新时间：2026-09-04

- 融合牛顿-最速下降算子的自适应粒子群算法
- An adaptive particle swarm optimization algorithm with newton-steepest descent operator
- 微电子学与计算机 2020年37卷第2期页码：1-7
- 作者机构：
  
  长安大学理学院,陕西,西安,710064
- 作者简介：
- 基金信息：
  
  国家青年基金 41601437陕西省自然科学基础研究计划面上项目 2015JM1022
- DOI：
  中图分类号：
- 纸质出版：2020
- 稿件说明：
移动端阅览
李江杰, 常安定, 陈童, 马晗. 融合牛顿-最速下降算子的自适应粒子群算法[J]. 微电子学与计算机, 2020, 37(2): 1-7.

LI Jiang-jie, CHANG An-ding, CHENG Tong, et al. An adaptive particle swarm optimization algorithm with newton-steepest descent operator[J]. 2020, 37(2): 1-7.
李江杰, 常安定, 陈童, 马晗. 融合牛顿-最速下降算子的自适应粒子群算法[J]. 微电子学与计算机, 2020, 37(2): 1-7. DOI：

LI Jiang-jie, CHANG An-ding, CHENG Tong, et al. An adaptive particle swarm optimization algorithm with newton-steepest descent operator[J]. 2020, 37(2): 1-7. DOI：

摘要

针对粒子群算法容易陷入局部最优、收敛精度低、后期收敛速度缓慢的问题，将牛顿-最速下降算子、动态惯性权重、影响度决策引入到粒子群的更新中，提出了融合牛顿-最速下降算子的自适应粒子群算法(NSWPSO).将改进后的算法、标准粒子群算法、自适应惯性权重粒子群算法、线性递减惯性权重粒子群算法同时应用于不同维度的12个测试函数，对搜索结果进行对比分析，T-test差异分析、10维测试函数达到期望值时的寻优率和平均迭代次数分析，可得改进后的算法能够稳定快速准确地搜索到全局最优解.

Abstract

In order to solve the problem that particle swarm optimization is easy to fall into local optimal solution

low convergence accuracy and convergence-rate slowly in the later stage

the Newton-steepest descent operator

dynamic inertia weight and influence degree decision are introduced into the updating of particle swarm optimization. An adaptive particle swarm optimization algorithm combines with Newton-steepest descent operator (NSWPSO) is proposed. The improved algorithm

standard particle swarm optimization algorithm

adaptive inertia weight particle swarm optimization algorithm and linear decreasing inertia weight particle swarm optimization algorithm are applied to 12 test functions of different dimensions at the same time

by the comparing and analyzing search results

the analysis of T-test difference and the analysis of the optimization rate with average iteration times

where the 10-dimensional test function reaches the expected value. It can make the improved-algorithm stable and fast to find the global optimum-solution.

关键词

Keywords

references

ZOU D, LI S, LI Z, et al. A New Global Particle Swarm Optimization for the Economic Emission Dispatch with or without Transmission Losses[J].Energy Conversion and Management, 2017, 139: 45-70. DOI: 45

王凌.智能优化算法及其应用[M].北京:淸华大学出版社, 2001:2-78. DOI: 2

ZHAO F, QIN S, YANG G, et al.A Factorial Based Particle Swarm Optimization with a Population Adaptation Mechanism for the No-wait Flow Shop Scheduling Problem with the MakespanObjective[J]. Expert Systems with Applications, .2019, 126: 41-53. DOI: 41

EBERHART R, KENNEDY J. Particle Swarm Optimization[C]//Proceedings of the IEEE international conference on neural networks. 1995, 4: 1942-1948.

陈宝林.最优化理论与算法[M].北京:清华大学出版社, 2005:334-342. DOI: 334

ABD‐ELAZIM S M, ALI E S. A Hybrid Particle Swarm Optimization and Bacterial Foraging for Power System Stability Enhancement[J].Complexity, 2015, 21(2): 245-255. DOI: 245

滕志军, 吕金玲, 郭力文, 等.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: 125

张鑫, 邹德旋, 肖鹏, 等.自适应简化粒子群优化算法及其应用[J].计算机工程与应用, 2019, 55(8):256-269. DOI: 256

BOROWSKA B. PAPSO Algorithm for Optimization of the Coil Arrangement[J].Przegl?dElektrotechniczny, 2013, 89(6): 272-274. DOI: 272

ZHAN Z, ZHANGH J. Adaptive Particle Swarm Optimization[J]. IEEE Transactions on Systems Man % Cybernetics Part B Cybernetics A Publication of the IEEE Systems Man % Cybernetics Society, 2009, 39(6):1362-1381. DOI: 1362

于海艳, 杜晓燕, 卫佩佩.粒子群算法结合最速下降法的混合算法[J].信息工程大学学报, 2018, 19(1): 39-41. DOI: 39

张全兴, 常安定.用粒子群算法反求割离井公式中的水文地质参数[J].西北农林科技大学学报(自然科学版), 2009, 37(2): 209-212. DOI: 209

丁知平, 刘超, 牛培峰.具有自适应行为的粒子群算法研究[J].统计与决策, 2019, 35(2):88-90. DOI: 88

江宝钏, 胡俊溟.求解多峰函数的改进粒子群算法的研究[J].宁波大学学报(理工版), 2008, 21(2): 150-154. DOI: 150

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

基于反向体偏置的高增益稳定性高温运放设计

基于改进RT-DETR的航拍小目标检测算法

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

大模型发展综述：从BERT到Deepseek的技术演进