基于分类思想的改进粒子群优化算法

发布时间：2021-12-25 06:13

　　针对粒子群算法存在收敛速度慢、收敛精度低且易收敛到局部极值的问题,提出一种基于分类思想的粒子群改进算法。该算法将粒子适度值和适度值均值做差与适度值标准差进行比较,从而将粒子所在区域划分为拒绝域、亲近域、合理域。根据不同区域中粒子的特点选取不同惯性权重和学习因子,使粒子高效地选择自身经验或种群经验,合理增强或减弱粒子全局搜索能力和局部搜索能力。数值实验结果表明,与其他粒子群改进算法相比,新的分类粒子群算法有效加快了粒子的收敛速度,提高了算法的收敛精度,有效改善了算法寻优性能。 

【文章来源】：现代电子技术. 2019,42(19)北大核心

【文章页数】：4 页

【部分图文】：

Sphere函数收敛速度比较Fig.1ComparisonofSpherefunctionconvergencespeed

Griewank函数收敛速度比较Fig.2ComparisonofGriewankfunctionconvergencespeed

Akley函数收敛速度比较Fig.3ComparisonofAkleyfunctionconvergencespeed1CPSO70

【参考文献】：
期刊论文
[1]改进的快速遗传算法在函数优化中的应用[J]. 周勇,胡中功.  现代电子技术. 2018(17)
[2]改进惯性权值的粒子群优化算法[J]. 南杰琼,王晓东.  西安工程大学学报. 2017(06)
[3]基于协同进化粒子群算法的系统辨识[J]. 吕微微,张宏立.  计算机仿真. 2016(01)

硕士论文
[1]粒子群算法在复杂函数优化中的学习策略及其改进[D]. 王博建.华东交通大学 2018
[2]改进的PSO-RBF神经网络在复杂工业过程中的应用[D]. 李钰曼.河北科技大学 2018
[3]基于粒子群算法的结构损伤诊断研究[D]. 章云霞.广西科技大学 2015



本文编号：3551932