一种多粒子群协同进化算法-计算机系统应用.pdfVIP

计 算 机 系 统 应 用 2015 年 第 24 卷 第 9 期 ① 一种多粒子群协同进化算法 李 垒, 岳小冰 (河南工业职业技术学院 计算机工程系, 南阳 473000) 摘 要: 为进一步提高多粒子群协同进化算法的寻优精度, 并有效改善粒子群易陷入局部极值及收敛速度慢的问 题, 结合遗传算法较强的全局搜索能力和极值优化算法的局部搜索能力, 提出了一种改进的多粒子群协同进化算法. 对粒子群优化算法提出改进策略, 并在种群进化过程中, 利用遗传算法增加粒子的多样性及优良性, 经过一定次数 的迭代, 利用极值优化算法加快收敛速度. 实验结果表明该算法具有较好的性能, 能够摆脱陷入局部极值点的问题, 并具有较快的收敛速度. 关键词: 多粒子群协同进化; 遗传算法; 极值优化算法; 适应度函数; 早熟收敛 Cooperative Particles Swarm Optimization Algorithm LI Lei, YUE Xiao-Bing (Department of Computer Engineering, Henan Polytechnic Institute, Nanyang 473000, China) Abstract: To improve the optimizing accuracy, and solve the problem of falling into local optima and the lower rate of convergence in cooperative particles swarm optimization, an improved cooperative particles swarm optimization algorithm is proposed. The proposed approach combines the strong global search ability of genetic algorithm and the excellent local search ability of extreme optimization algorithm. Firstly, an improved strategy is presented for particle swarm optimization. Then, the genetic algorithm is used to increase the diversity and optimal benign of the particles. After a certain iterations intervals, extreme optimization is adopted to accelerate the convergence. The experimental results show that the proposed approach can improve the optimal performance, escape from local optima, and enhance the rate of convergence. Key words: multi-swarm co-evolution; genetic algorithm; extreme optimization; fitness function; premature 粒子群优化算法(Particle Swarm Optimization, 了用协同进化粒子群算法来解决带约束的极大极小值 PSO)[1]基于迭代策略, 以粒子对解空间中的最优追随 问题. Asmara 等[6]在此算法的基础上又提出了一种快 进行搜索, 计算简单、收敛速度快、已在广泛应用在 速的粒子群协同进化优化算法, 提高了算法的收敛速 工程优化、神经网络训练、图像处理等领域[2-4]. 但后 度. Liang 等[8]提出了一种在