混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

发布时间：2018-10-08 17:49

【摘要】：粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。
[Abstract]:The topology structure of particle swarm optimization (PSO) algorithm is the key factor to affect the performance of the algorithm. In order to avoid the problem that particle swarm optimization algorithm is prone to fall into local extremum and premature convergence, etc. A hybrid topology particle swarm optimization algorithm (MPSO) is proposed and applied to the automatic generation of software structure test data. Based on the analysis of the influence of different neighborhood topology on the performance of the algorithm, a hybrid particle swarm optimization algorithm combining global optimization and local optimization is proposed. By observing the diversity feedback information of the particle swarm, the method of selecting the global topology model (GPSO) or the local topology model (LPSO) for each generation of population particles is carried out. The experimental results show that MPSO can ensure the diversity of the population, avoid the particle swarm falling into the local extremum, and improve the convergence speed of the algorithm.
【作者单位】： 郑州大学信息工程学院;中国人民解放军信息工程大学;中原工学院;
【基金】：国家自然科学基金项目(61250007) 河南省科技厅基础与前沿技术研究项目(152300410055)资助
【分类号】：TP18

【相似文献】

相关期刊论文 前10条

1 吴坤华;论分布式计算机系统常见拓扑结构的优劣和两种拓扑结构的综合[J];龙岩师专学报;1990年02期

2 程代展，，泰化淑，洪奕光;稳定反馈空间的拓扑结构[J];自动化学报;1995年03期

3 鲁斌,何华灿;联想思维的超拓扑结构模型[J];小型微型计算机系统;2004年06期

4 车林仙;;基于粒子群算法的混沌系统快速控制[J];泸州职业技术学院学报;2006年03期

5 郭明山;刘秉瀚;;一种改进的混沌粒子群算法[J];福建电脑;2008年02期

6 张楠;邢志栋;董建民;王辛;;一种基于粒子群算法和育种算法的混合算法[J];西北大学学报(自然科学版);2008年01期

7 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

8 张泰雷;刘春生;;基于改进粒子群算法的控制分配研究与应用[J];伺服控制;2012年06期

9 黄珍;潘颖;曹晓丽;;粒子群算法的基本理论及其改进研究[J];硅谷;2014年05期

10 焦国辉;;一种改进的粒子群算法稳定性证明及其应用[J];现代计算机(专业版);2014年14期

相关会议论文 前10条

1 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

2 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

3 黄胜;任万龙;王超;何新;;多目标粒子群算法在翼型优化的应用[A];第二十五届全国水动力学研讨会暨第十二届全国水动力学学术会议文集（上册）[C];2013年

4 李洪全;王京;;基于粒子群算法的自适应PID控制[A];冶金企业自动化、信息化与创新——全国冶金自动化信息网建网30周年论文集[C];2007年

5 李曙光;;粒子群算法在高速公路多路径费用拆分方法研究[A];第二十六届中国控制会议论文集[C];2007年

6 赵亮;;遗传增强混沌粒子群算法[A];第二十九届中国控制会议论文集[C];2010年

7 杨诚;杨传启;;基于粒子群算法的PID参数优化[A];第七届工业仪表与自动化学术会议论文集[C];2006年

8 刘文许;林礼清;温步瀛;;电力市场下基于改进粒子群算法的AGC机组选择[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

9 刘衍民;马卫民;;基于高斯白噪声扰动的混合粒子群算法及其应用[A];第十届中国不确定系统年会、第十四届中国青年信息与管理学者大会论文集[C];2012年

10 王征;刘大宝;王家林;王永骥;;基于离散粒子群算法的船舶电力系统重构研究[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

3 邵晴;粒子群算法研究及其工程应用案例[D];吉林大学;2017年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

8 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

9 刘衍民;粒子群算法的研究及应用[D];山东师范大学;2011年

10 王雪飞;粒子群算法的动态拓朴结构研究[D];西南大学;2008年

相关硕士学位论文 前10条

1 李健;面向高速铁路监测的WSNs拓扑结构分析[D];山西大学;2015年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

9 仲伟彪;改进粒子群算法的研究及其云计算资源调度的应用[D];江西理工大学;2015年

10 艾东;基于粒子群算法的双重目标设施布置优化[D];西安建筑科技大学;2015年

本文编号：2257704