基于正态云模型的自适应变异量子粒子群优化算法

发布时间：2017-12-26 17:15

  本文关键词：基于正态云模型的自适应变异量子粒子群优化算法　出处：《电子设计工程》2016年08期 　论文类型：期刊论文

  更多相关文章： 云模型 量子粒子群 粒子群 算法优化

【摘要】：为提高量子粒子群算法的寻优能力,文中提出一种新的正态云模型自适应变异量子粒子群算法。该方法采用正态云模型优化策略,引入自身最差粒子和全局最差粒子,结合自身最优粒子和全局最优粒子自适应调整势阱中心位置与收缩-扩张系数,每次迭代后生成的新粒子,以一定概率采用正态云模型对粒子进行变异操作。最后标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。
[Abstract]:In order to improve the optimization ability of quantum particle swarm optimization (QPSO), a new adaptive mutation quantum particle swarm optimization (QPSO) algorithm for normal cloud model is proposed. The method uses the normal cloud model optimization strategy, the worst of the worst particle particle and the global, with its own optimal particle and the global best particle adaptive trap center position and the contraction expansion coefficient, a new generation of particles after each iteration, with certain probability by the normal cloud model of particle mutation operation. The experimental results of the final standard function extremum optimization show that the algorithm has a longer single step iteration time but more optimization ability than the same algorithm.
【作者单位】： 东北石油大学电气信息工程学院;中国航天科技集团航天天绘科技有限公司;东北石油大学计算机与信息技术学院;
【分类号】：TP18
【正文快照】： 在2004年,孙俊等人[1]提出了具有量子行为的粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO),但是QPSO算法在迭代的后期有时也不可避免的出现陷入局部最优的情况,学者们对QPSO算法也做了大量的改进工作,文献[2]将Q学习方法引入到量子粒子群算法中、文献[3]，

本文编号：1338126