基于种群划分与变异策略的粒子群优化算法

发布时间：2021-01-24 12:54

　　粒子群算法因其形式比较简洁,参数设置灵活,操作简便易行,并且能够快速收敛,从而引起广泛关注。但是传统的粒子群算法也有缺陷:收敛速度慢以及容易陷入局部最优等。针对这些问题,本文借鉴小生境的方法,在进化初始阶段,对种群进行划分,将初始种群分为子种群,对不同的子种群进行不同的变异策略;在进化过程中,针对不同的子种群,设置不同的惯性权重因子ω,用来增强全局搜索能力与局部搜索能力。实验结果表明,本文提出的算法较传统的粒子群算法具有较快的收敛性以及找寻的全局最优解更接近真实解集,收敛精度比较高。 

【文章来源】：计算机与现代化. 2019,(05)

【文章页数】：5 页

【文章目录】：
0 引 言
1 粒子群算法
    1.1 标准粒子群算法
    1.2 改进的粒子群算法
2 带有变异策略的种群划分粒子群算法
    2.1 种群的划分
    2.2 变异策略的引进
    2.3 惯性权重因子
    2.4 算法的基本步骤
3 实验及结果分析
    3.1 测试函数
    3.2 本文算法与3种算法的比较
4 结束语


【参考文献】：
期刊论文
[1]基于改进PSO算法的加热系统分数阶控制[J]. 姜苏英.  计算机与现代化. 2018(07)
[2]一种动态调整惯性权重的粒子群优化算法[J]. 董红斌,李冬锦,张小平.  计算机科学. 2018(02)
[3]基于改进GA-PSO的无线传感网络路由算法[J]. 张慧.  计算机与现代化. 2015(12)
[4]基于粒子群算法的BP神经网络优化技术[J]. 张德慧,张德育,刘清云,吕艳辉.  计算机工程与设计. 2015(05)
[5]一种新的变异因子选择策略[J]. 王帅群,敖日格乐,高尚策,唐政,马海英.  计算机科学. 2014(09)
[6]基于非均匀变异和多阶段扰动的粒子群优化算法[J]. 赵新超,刘国莅,刘虎球,赵国帅.  计算机学报. 2014(09)
[7]改进粒子群和模拟退火混合算法及其应用[J]. 郑申海,胡小兵,郑满满,刘瑞杰.  计算机技术与发展. 2013(07)
[8]基于改进小生境粒子群算法的多模函数优化[J]. 史哲文,白雪石,郭禾.  计算机应用研究. 2012(02)
[9]一种基于遗传算法改进的粒子群优化算法[J]. 潘勇,郭晓东.  计算机应用与软件. 2011(09)
[10]一种更简化而高效的粒子群优化算法[J]. 胡旺,李志蜀.  软件学报. 2007(04)

硕士论文
[1]粒子群算法在图像处理中的应用研究[D]. 周欣.湖北工业大学 2011



本文编号：2997281