【摘要】：串行粒子群算法廣泛應(yīng)用于多個領(lǐng)域,出現(xiàn)了多個變種,但解決不同種類的優(yōu)化問題時性能有差異。為提高串行粒子群算法對各種優(yōu)化問題的適應(yīng)能力,提出一種集成粒子群優(yōu)化算法。新算法使用Matlab的單程序多數(shù)據(jù)并行結(jié)構(gòu)發(fā)揮單節(jié)點多核計算能力,通過設(shè)置外部檔案分享不同粒子群的全局最佳位置,促進不同串行粒子群算法之間的信息交流,綜合利用不同串行粒子群算法在解決不同類型優(yōu)化問題的優(yōu)勢。在廣泛使用的測試函數(shù)集上開展仿真實驗,結(jié)果驗證了新算法的有效性,與多個知名的串行粒子群算法相比,新算法在尋優(yōu)性能上優(yōu)勢明顯。新算法不僅能夠提高粒子群算法的適應(yīng)能力,而且,所采用的算法框架也適應(yīng)于其他群智能算法,改善了算法的性能。
[Abstract]:Serial particle swarm optimization algorithm is widely used in many fields, and there are many varieties, but the performance is different when solving different kinds of optimization problems. In order to improve the adaptability of serial particle swarm optimization to various optimization problems, an integrated particle swarm optimization algorithm is proposed. The new algorithm uses Matlab's single-program multi-data parallel structure to play a single point and multi-core computing power, by setting the external files to share the global optimal location of different particle swarm optimization, to promote the exchange of information between different serial particle swarm optimization algorithms. Comprehensive use of different serial particle swarm optimization algorithm in solving different types of optimization problems. Simulation experiments are carried out on the widely used test function set, and the results show that the new algorithm is effective. Compared with several well-known serial particle swarm optimization algorithms, the new algorithm has obvious advantages in optimization performance. The new algorithm can not only improve the adaptability of particle swarm optimization algorithm, but also adapt to other swarm intelligence algorithms, and improve the performance of the algorithm.
【作者單位】： 河南工程學(xué)院計算機學(xué)院;
【基金】：國家自然科學(xué)基金青年項目(61301232,61501174) 河南省高等學(xué)校重點科研項目(17A520026) 河南工程學(xué)院博士基金(D2012016)~~
【分類號】：TP18

【參考文獻】

相關(guān)期刊論文 前8條

1 戴月明;朱達祥;吳定會;;核矩陣協(xié)同進化的震蕩搜索粒子群優(yōu)化算法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2016年02期

2 侯燕;郭慧玲;;關(guān)聯(lián)規(guī)則挖掘結(jié)合簡化粒子群優(yōu)化的哈希回溯追蹤協(xié)議[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2016年02期

3 孫延維;彭智明;李健波;;基于粒子群優(yōu)化與模糊聚類的社區(qū)發(fā)現(xiàn)算法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2015年05期

4 趙嘉;付平;李崇俠;呂莉;;基于不同學(xué)習(xí)模型的精英反向粒子群優(yōu)化算法[J];小型微型計算機系統(tǒng);2015年06期

5 占棟輝;盧厚清;郝文寧;陳剛;靳大尉;;一種高斯反向?qū)W習(xí)粒子群優(yōu)化算法[J];小型微型計算機系統(tǒng);2015年05期

6 奚茂龍;盛歆漪;孫俊;;基于多維問題的交叉算子量子粒子群優(yōu)化算法[J];計算機應(yīng)用;2015年03期

7 陳壽文;;基于質(zhì)心和自適應(yīng)指數(shù)慣性權(quán)重改進的粒子群算法[J];計算機應(yīng)用;2015年03期

8 許君;魯海燕;石桂娟;;限制速度粒子群優(yōu)化和自適應(yīng)速度粒子群優(yōu)化在無約束優(yōu)化問題中的應(yīng)用[J];計算機應(yīng)用;2015年03期

【共引文獻】

相關(guān)期刊論文 前10條

1 何莉;王淼;李博;;面向單目標(biāo)優(yōu)化的集成粒子群算法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2017年04期

2 胡冠宇;喬佩利;;混沌協(xié)方差矩陣自適應(yīng)進化策略優(yōu)化算法[J];吉林大學(xué)學(xué)報(工學(xué)版);2017年03期

3 劉志中;秦靖萱;宋成;薛霄;郭海儒;;面向函數(shù)優(yōu)化的社會學(xué)習(xí)優(yōu)化算法[J];小型微型計算機系統(tǒng);2017年05期

4 張曉;范虹;張莉;黨小虎;;融入免疫思想的改進型粒子群優(yōu)化算法[J];陜西師范大學(xué)學(xué)報(自然科學(xué)版);2017年03期

5 趙慧珍;劉付顯;李龍躍;;Parzen窗確定系數(shù)的協(xié)同模糊C均值算法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2017年02期

6 蘇玉;孔國利;;改進粒子群算法的目標(biāo)函數(shù)變化分類動態(tài)優(yōu)化[J];現(xiàn)代電子技術(shù);2017年07期

7 唐yN玲;江順亮;葉發(fā)茂;許慶勇;葛蕓;徐少平;;最優(yōu)粒子增強探索粒子群算法[J];計算機工程與應(yīng)用;2017年04期

8 李梁;陳佳瑜;;基于粒子群算法的基因表達譜聚類分析方法[J];重慶理工大學(xué)學(xué)報(自然科學(xué));2017年02期

9 寧桂英;曹敦虔;周永權(quán);;一種求解約束優(yōu)化問題的改進差分進化算法[J];數(shù)學(xué)的實踐與認識;2017年02期

10 印溪;許斌;亓?xí)x;;一種基于禁忌策略的混合優(yōu)化算法[J];計算機技術(shù)與發(fā)展;2017年02期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 胡向東;王凱;;物聯(lián)網(wǎng)感知層安全簇維護方法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2015年01期

2 胡旺;Gary G. YEN;張鑫;;基于Pareto熵的多目標(biāo)粒子群優(yōu)化算法[J];軟件學(xué)報;2014年05期

3 周先存;黎明曦;陳振偉;徐英來;熊焰;李瑞霞;;基于層次混合的高效概率包標(biāo)記WSNs節(jié)點定位算法[J];電子與信息學(xué)報;2014年02期

4 謝秀華;李陶深;;一種基于改進PSO的K-means優(yōu)化聚類算法[J];計算機技術(shù)與發(fā)展;2014年02期

5 黃少榮;;基于隨機參數(shù)的粒子群優(yōu)化算法[J];重慶師范大學(xué)學(xué)報(自然科學(xué)版);2013年06期

6 溫昱暉;陳廣勇;趙勁濤;沈吉U，

本文編號：2232319