PSO的向量整体修订策略和局部跳出策略

吉林大学学报(工学版) ›› 2012, Vol. 42 ›› Issue (02): 429-433.

PSO的向量整体修订策略和局部跳出策略

窦全胜^1,2, 潘冠宇³, 刘岩¹, 周春光⁴, 史忠植²

1. 山东工商学院计算机科学与技术学院, 山东烟台 264005;
2. 中国科学院计算技术研究所, 北京 100080;
3. 吉林大学数学学院, 长春 130012;
4. 吉林大学计算机科学与技术学院, 长春 130012

收稿日期:2011-03-19 出版日期:2012-03-01 发布日期:2012-03-01
作者简介:窦全胜(1971-),男,副教授,博士.研究方向:智能科学,数据挖掘.E-mail:douqs@ics.ict.ac.cn
基金资助:
国家自然科学基金项目(61173173,60970105,60970088,61035003,60933004,60172085);"973"国家发展规划项目(2007CB311004);山东省中青年科学家奖励基金(2009BSD01383).

Vector correction and jump out of local optimum strategy for PSO

DOU Quan-sheng^1,2, PAN Guan-yu³, LIU Yan¹, ZHOU Chun-guang⁴, SHI Zhong-zhi²

1. School of Computer Science and Technology, Shandong Institute of Business and Technology, Yantai 264005, China;
2. Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100080, China;
3. College of Mathematics, Jilin University, Changchun 130012, China;
4. College of Computer Science and Technology, Jilin University, Changchun 130012, China

Received:2011-03-19 Online:2012-03-01 Published:2012-03-01

摘要/Abstract

摘要： 针对传统PSO方法对CEC2005(The 2005 IEEE Congress on evolutionary computation)中的25个benchmark函数搜索效果较差的问题,提出了"向量整体修订"和"局部跳出"两种改进策略。改变PSO方法中粒子在每一维上的修订相互独立的传统机制,按某一概率将粒子作为整体进行修正,当群体最优长时间不变或变化值小于一定阈值时,为跳出局部最优,按某一概率重新定义群体最优或初始化群体。通过实验证明了改进后的PSO方法对CEC2005中的测试问题的有效性。

关键词: 计算机应用, 粒子群优化, 收敛, 向量修订, 局部跳出

Abstract: Using traditional Particle Swarm Optimization (PSO) the searching results for some new benchmark functions, e.g. the 25 benchmark functions in CEC2005, are not satisfactory. An improved version of PSO was designed to suit for new benchmark functions in CEC2005. Two improvement strategies, named Vector correction strategy and Jump out of local optimum strategy, were employed in this improved PSO. When the swarm optimum remains invariable for a long time, The improve PSO can revises the whole particle vector and re-initialize the swarm or generate a new swarm optimum according to certain probability. The improved PSO was tested by the 25 benchmark functions in CEC2005, and the experimental results show that the search efficiency and the ability to jump out of the local optimum of the improved PSO are significantly improved.

Key words: computer application, partical swarm optimization, convergence, vector correction, jump out of local optimum

中图分类号:

TP301.6

窦全胜, 潘冠宇, 刘岩, 周春光, 史忠植. PSO的向量整体修订策略和局部跳出策略[J]. 吉林大学学报(工学版), 2012, 42(02): 429-433.

DOU Quan-sheng, PAN Guan-yu, LIU Yan, ZHOU Chun-guang, SHI Zhong-zhi. Vector correction and jump out of local optimum strategy for PSO[J]. 吉林大学学报(工学版), 2012, 42(02): 429-433.

参考文献

[1] Eberhart R, Kennedy J. A new optimizer using particle swarm theory//Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 1995.

[2] Kennedy J, Eberhart R C. Particle swarm optimization//Proc IEEE International Conference on Neural Networks. IEEE Service Center, Piscataway, 1995.

[3] Shi Y, Eberhart R. Monitoring of particle swarm optimization［J］. Frontiers of Computer Science in China, 2009, 3(1):31-37.

[4] 崔光照, 李小广, 张勋才, 等. 基于改进的粒子群遗传算法的DNA编码序列优化［J］. 计算机学报, 2010, 33(2):311-316. Cui Guang-zhao, Li Xiao-guang, Zhang Xun-cai, et al. The optimization of DNA encodings based on modified PSO/GA algorithm［J］. Chinese Journal of Computers, 2010, 33(2):311-316.

[5] 纪震, 周家锐, 廖惠连,等. 智能单粒子优化算法［J］. 计算机学报, 2010, 33(3) :556-562. Ji Zhen, Zhou Jia-rui, Liao Hui-lian, et al. A novel intelligent single particle optimizer［J］. Chinese Journal of Computers, 2010, 33(3) :556-562.

[6] 潘冠宇, 刘大有, 窦全胜, 等. PSO方法的收敛性及基于微分演化的参数确定策略［J］. 吉林大学学报: 工学版, 2007, 37 (4): 842-845. Pan Guan-yu, Liu Da-you, Dou Quan-sheng, et al. Convergence property and parameters-selection strategy base on differential evolution of PSO［J］. Journal of Jilin University(Engineering and Technology Edition), 2007, 37(4): 842-845.

[7] Poli R. Mean and variance of the sampling distribution of particle swarm optimizers during stagnation［J］. IEEE Transactions on Evolutionary Computation, 2009, 13(4): 712-721.

[8] Suganthan P N, Hansen N, Liang J J, et al. Problem definitions and evaluation criteria for the CEC 2005 special session on real-parameter optimization..http://web.mysites.ntu.edu.sg/epnsugan/PublicSite/Shared%20Documents/CEC2005/Tech-Report-May-30-05.pdf

[9] Hansen N. Compilation of results on the 2005 CEC benchmark function set.. http://www3.ntu.edu.sg/home/epnsugan/index_files/CEC-05/compareresults.pdf

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[7]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[8]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[9]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[10]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[11]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[12]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[13]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[14]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.
[15]	侯永宏, 王利伟, 邢家明. 基于HTTP的动态自适应流媒体传输算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1244-1253.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed