基于频繁覆盖策略的随机漂移粒子群优化算法
本文关键词：基于频繁覆盖策略的随机漂移粒子群优化算法 出处：《控制与决策》2017年12期 论文类型：期刊论文
更多相关文章： 频繁覆盖 粒子群优化算法 全局优化 大规模优化问题 高维问题
【摘要】：为了进一步提升随机漂移粒子群优化(RDPSO)算法的全局搜索能力、收敛速度以及在高维问题上的优化能力,提出一种基于频繁覆盖策略的RDPSO(FC-RDPSO)算法,并采用概率统计方法和蒙特卡罗方法分析频繁覆盖策略的可行性.在CEC’2013RPO的测试函数上将FC-RDPSO算法与多种优化算法进行对比,实验结果表明所提算法在收敛速度和全局搜索能力上表现出了突出的性能;在一组被广泛使用的大规模全局优化测试函数上的实验结果表明,FC-RDPSO算法在高维问题上同样表现出了较强的优化能力.
[Abstract]:In order to improve the global search ability, convergence speed and optimization ability of RDPSO (Random Drift Particle Swarm Optimization) algorithm. This paper presents an algorithm of RDPSO-FC-RDPSO based on frequent coverage strategy. The probability statistics method and Monte Carlo method are used to analyze the feasibility of frequent coverage strategy. The FC-RDPSO algorithm is compared with various optimization algorithms in the test function of CEC'2013RPO. Experimental results show that the proposed algorithm has outstanding performance in convergence speed and global search ability. The experimental results on a set of widely used global optimization test functions show that the FC-RDPSO algorithm also has a strong optimization capability for high dimensional problems.
【作者单位】： 江南大学物联网工程学院;
【基金】：国家自然科学基金项目(61673194,61105128) 江苏省自然科学基金项目(BK20131106) 中国博士后科学基金项目(2014M560390) 江南大学自主科研计划重点项目(JUSRP51410B) 江苏省重点研发计划项目(BE2017630)
【分类号】：TP18
【正文快照】： 0引言粒子群优化(PSO)算法是由Kennedy等[1-2]提出的一种群体智能优化算法.由于PSO算法思想简单、实现容易、参数少,同时具有深刻的智能背景等优点,一经提出便受到各领域学者的关注,并取得了丰硕的研究成果[3-9].然而,PSO算法易出现早熟收敛而导致优化性能降低,为此,研究人员
【相似文献】
相关期刊论文 前10条
1 戴冬雪,王祁,阮永顺,王晓超;基于混沌思想的粒子群优化算法及其应用[J];华中科技大学学报(自然科学版);2005年10期
2 李绍军;王惠;钱锋;;基于模式优选思想改进的粒子群优化算法[J];控制与决策;2006年10期
3 苏俊霞;蔚承建;;基于粒子群优化算法的自动机制设计[J];计算机工程与应用;2007年04期
4 何妮;吴燕仙;;粒子群优化算法的研究[J];科技信息(科学教研);2008年06期
5 贺毅朝;王熙照;曲文龙;;一种具有双重进化空间的扩展粒子群优化算法[J];小型微型计算机系统;2008年08期
6 王正帅;邓喀中;;基于文化框架的随机粒子群优化算法[J];计算机科学;2012年06期
7 冯纪强;温雅;;粒子群优化的模糊特征[J];现代电子技术;2012年23期
8 田亚菲;张范勇;阎石;;基于粒子群优化的细菌觅食优化算法[J];控制工程;2012年06期
9 祁超;张曦;刘焕杰;张荟萃;;云环境下多群体协作粒子群优化框架的研究[J];科技创新与应用;2013年36期
10 高海兵;周驰;高亮;;广义粒子群优化模型[J];计算机学报;2005年12期
相关会议论文 前9条
1 徐俊杰;忻展红;;基于增强型参考位置的粒子群优化模型[A];’2004系统仿真技术及其应用学术交流会论文集[C];2004年
2 王亚;于永光;耿玲玲;;一类改进的自适应粒子群优化算法对混沌系统未知参数的估计[A];中国力学大会——2013论文摘要集[C];2013年
3 王光辉;陈杰;潘峰;;多种群协同粒子群优化算法求解动态环境优化问题[A];第二十七届中国控制会议论文集[C];2008年
4 杨雅伟;侍洪波;;量子粒子群优化算法及其应用研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
5 赵建玉;贾磊;陈月辉;张勇;;基于粒子群优化的信号交叉口交通流预测模型[A];第二十六届中国控制会议论文集[C];2007年
6 赵秋玲;周雅莉;张奇志;;基于粒子群优化的结构振动分布式反馈控制[A];2005年中国智能自动化会议论文集[C];2005年
7 肖龙光;丁晓东;谢集平;;粒子群优化算法的改进[A];第二十三届中国控制会议论文集（上册）[C];2004年
8 龚挺;曹秀英;;基于粒子群优化的伪距定位算法研究[A];第二届中国卫星导航学术年会电子文集[C];2011年
9 钱伟懿;王艳杰;;带自适应压缩因子粒子群优化算法[A];中国运筹学会模糊信息与模糊工程分会第五届学术年会论文集[C];2010年
相关博士学位论文 前10条
1 刘昊;多样性增强的粒子群优化算法及其应用研究[D];北京理工大学;2015年
2 姜毅;动态环境下粒子群优化算法的研究[D];武汉大学;2013年
3 Shafiullah Khan;粒子群优化算法及其在电磁设计中的应用[D];浙江大学;2017年
4 易云飞;基于伊藤随机过程的粒子群优化算法及其应用研究[D];武汉大学;2015年
5 熊勇;粒子群优化算法的行为分析与应用实例[D];浙江大学;2005年
6 唐贤伦;混沌粒子群优化算法理论及应用研究[D];重庆大学;2007年
7 唐贤伦;混沌粒子群优化算法理论及应用[D];重庆大学;2007年
8 徐慧;粒子群优化算法改进及其在煤层气产能预测中的应用研究[D];中国矿业大学;2013年
9 刘逸;粒子群优化算法的改进及应用研究[D];西安电子科技大学;2013年
10 高芳;智能粒子群优化算法研究[D];哈尔滨工业大学;2008年
相关硕士学位论文 前10条
1 陈卓;粒子群优化算法的改进及在油藏数值模拟中的应用[D];北京建筑大学;2015年
2 白云;基于粒子群优化算法的复杂网络社区挖掘[D];西北农林科技大学;2015年
3 杨艳华;基于粒子群优化支持向量机的网络态势预测模型研究[D];兰州大学;2015年
4 郑博;基于快速排序的多目标粒子群优化算法的研究及应用[D];郑州大学;2015年
5 米永强;非线性规划问题的混合粒子群优化算法研究[D];宁夏大学;2015年
6 李建美;基于自适应变异与文化框架的混沌粒子群优化算法[D];陕西师范大学;2015年
7 刘星;基于粒子群优化算法的特征选择方法研究[D];南京大学;2015年
8 牛旭;动态粒子群优化算法及其应用[D];西安电子科技大学;2014年
9 叶华;粒子群优化算法研究[D];西安电子科技大学;2014年
10 杨青河;基于优化控制思想的粒子群优化算法改进研究[D];东北大学;2013年
，本文编号：1435642
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/1435642.html
