帮助 关于我们

返回检索结果

混合均值中心反向学习粒子群优化算法
Hybrid Mean Center Opposition-Based Learning Particle Swarm Optimization

查看参考文献18篇

孙辉 1,2,3   邓志诚 1   赵嘉 1,2,3   王晖 1,2,3   谢海华 1  
文摘 为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.
其他语种文摘 In order to balance the exploration and exploitation of particle swarm optimization, this paper proposes a hybrid mean center opposition-based learning particle swarm optimization. The algorithm performs greedy selection on the mean center of all particles and some high-quality particles respectively, and the obtained hybrid mean center will search the region in detail where the particles are located. At the same time, the hybrid mean center is using opposition-based learning, so that the particles can explore more new regions. The proposed algorithm are compared with the latest improved particle swarm optimization, artificial bee colony algorithm and difference algorithm in various test function sets, and the results verify the effectiveness of the hybrid mean center opposition-based learning and the overall optimization performance of the algorithm is stronger.
来源 电子学报 ,2019,47(9):1809-1818 【核心库】
DOI 10.3969/j.issn.0372-2112.2019.09.001
关键词 全局寻优 ; 混合均值中心 ; 反向学习 ; 粒子群优化算法
地址

1. 南昌工程学院信息工程学院, 江西, 南昌, 330099  

2. 鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室, 鄱阳湖流域水工程安全与资源高效利用国家地方联合工程实验室, 江西, 南昌, 330099  

3. 江西省水信息协同感知与智能处理重点实验室, 江西省水信息协同感知与智能处理重点实验室, 江西, 南昌, 330099

语种 中文
文献类型 研究性论文
ISSN 0372-2112
学科 自动化技术、计算机技术
基金 国家自然科学基金 ;  江西省杰出青年基金 ;  江西省杰出青年人才资助计划 ;  江西省自然科学基金 ;  江西省教育厅落地计划基金 ;  江西省2018年度研究生创新专项资金项目
文献收藏号 CSCD:6668624

参考文献 共 18 共1页

1.  Kennedy J. Particle swarm optimization. Proceedings of International Conference on Neural Networks,1995:1942-1948 CSCD被引 68 次    
2.  李奕. 粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究. 电子学报,2014,42(2):217-222 CSCD被引 10 次    
3.  俞海珍. 基于三值多样性粒子群算法的MPRM电路综合优化. 电子学报,2017,45(7):1601-1607 CSCD被引 5 次    
4.  Zhao J. Particle swarm optimization based on vector Gaussian learning. Ksii Transactions on Internet and Information Systems,2017,11(4):2038-2057 CSCD被引 5 次    
5.  Hakll H. A novel particle swarm optimization algorithm with Levy flight. Applied Soft Computing,2014,23:333-345 CSCD被引 32 次    
6.  Yan B. A particle swarm optimization algorithm with random learning mechanism and Levy flight for optimization of atomic clusters. Computer Physics Communications,2017,219:79-86 CSCD被引 3 次    
7.  Chen K. A hybrid particle swarm optimizer with sine cosine acceleration coefficients. Information Sciences,2018,422:218-241 CSCD被引 13 次    
8.  朱蓉. 融合优质粒子分布的粒子群优化算法. 小型微型计算机系统,2015,36(3):576-580 CSCD被引 8 次    
9.  Wang H. Enhancing particle swarm optimization using generalized oppositionbased learning. Information Sciences,2011,181(20):4699-4714 CSCD被引 75 次    
10.  Wang H. Space transformation search: a new evolutionary technique. Proceedings of Word Summit Genetic Evolutionary Computation,2009:537-544 CSCD被引 1 次    
11.  Chen Q. Problem Definitions and Evaluation Criteria for CEC 2015 Special Session and Competition on Bound Constrained Single-Objective Computationally Expensive Numerical Optimization,2014 CSCD被引 1 次    
12.  Jensi R. An enhanced particle swarm optimization with levy flight for global optimization. Applied Soft Computing,2016,43:248-261 CSCD被引 15 次    
13.  Ouyang H. Improved global-bestguided particle swarm optimization with learning operation for global optimization problems. Applied Soft Computing,2017,52:987-1008 CSCD被引 4 次    
14.  周凌云. 一种邻域重心反向学习的粒子群优化算法. 电子学报,2017,45(11):2815-2824 CSCD被引 21 次    
15.  Liang J J. Problem Definitions and Evaluation Criteria for the CEC 2013 Special Session on Real-Parameter Optimization,2013 CSCD被引 10 次    
16.  孙辉. 正弦选择概率模型的全局最优引导人工蜂群算法. 南昌工程学院学报,2018,37(6):84-90 CSCD被引 2 次    
17.  Cui L. A novel artificial bee colony algorithm with depth-first search framework and eliteguided search equation. Information Sciences,2016,367:1012-1044 CSCD被引 8 次    
18.  Aydilek I B. A hybrid firefly and particle swarm optimization algorithm for computationally expensive numerical problems. Applied Soft Computing,2018,66:232-249 CSCD被引 26 次    
引证文献 13 篇

1 郝少伟 基于改进粒子群算法的多载波NOMA功率分配策略 电子学报,2020,48(10):2009-2016
CSCD被引 9 次

2 纪伟 粒子置换的双种群综合学习PSO算法 计算机科学与探索,2021,15(4):766-776
CSCD被引 3 次

显示所有13篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护：中国科学院文献情报中心
地址：北京中关村北四环西路33号 邮政编码：100190 联系电话：(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号