上海交通大学学报(自然版)
 
  中文 | English    
 
高级检索
        首页 |  期刊介绍 |  编 委 会 |  投稿指南 |  期刊订阅 |  收录情况 |  常见问题解答 |  联系我们 |  留言板
上海交通大学学报(自然版) 2012, Vol. 46 Issue (02) :228-232    DOI:
自动化技术、计算机技术 最新目录 | 下期目录 | 过刊浏览 | 高级检索 << | >>
惯性权自适应调整的量子粒子群优化算法  
黄泽霞1,2,俞攸红3,黄德才1
 (1浙江工业大学 信息学院, 杭州 310023;2绍兴文理学院元培学院 信息与电子系,浙江 绍兴 312000;3浙江工业大学 理学院, 杭州 310023)
QuantumBehaved Particle Swarm Algorithm with Selfadapting Adjustment of Inertia Weight
 HUANG  Ze-Xia-1, 2 , YU  You-Hong-3, HUANG  De-Cai-1
(1College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023,China; 2Department of Information and Electronic, Shaoxing University YuanPei College, Shaoxing Zhejiang 312000,China; 3College of Science, Zhejiang University of Technology, Hangzhou 310023,China)
Download: PDF (0KB)   HTML (1KB)   Export: BibTeX or EndNote (RIS)      Supporting Info
摘要 针对量子粒子群的惯性权值β线性递减不能适应复杂的非线性优化搜索过程的问题,提出了一种惯性权自适应调整的量子粒子群优化(DCWQPSO)算法.在该算法中,引入了量子粒子群进化速度因子sd和聚集度因子jd,并将惯性因子β表示为sd,jd2个参数的函数.在每次迭代时,算法可根据当前量子粒子群进化速度因子和聚集度因子动态地调整惯性权值,从而使算法具有动态自适应性.对典型的标准函数的测试结果表明,与量子粒子群算法相比,改进后的量子粒子群优化算法的收敛速度明显提高.     
Service
把本文推荐给朋友
加入我的书架
加入引用管理器
Email Alert
RSS
作者相关文章
黄泽霞1
2
俞攸红3
黄德才1
关键词量子粒子群   自适应   惯性权     
Abstract: A new quantumbehaved particle swarm algorithm with selfadapting adjustment of inertia weight was presented to solve the problem that the linearly decreasing weight of the quantumbehaved particle swarm algorithm cannot adapt to the complex and nonlinear optimization process. The evolution speed factor and aggregation degree factor of the swarm are introduced in this new algorithm and the weight is formulated as a function of these two factors according to their impact on the search performance of the swarm. In each iteration process, the weight is changed dynamically based on the current evolution speed factor and aggregation degree factor, which provides the algorithm with effective dynamic adaptability. The algorithms of quantumbehaved particle swarm were tested with benchmark functions. The experiments show that the convergence speed of adaptive quantumbehaved particle swarm algorithm is significantly superior to quantumbehaved particle swarm algorithm.
Keywordsquantumbehaved particle swarm,   adaptability,   inertia weight     
收稿日期: 2010-12-07;
基金资助:

国家自然科学基金项目(10774131)

引用本文:   
黄泽霞1, 2, 俞攸红3等 . 惯性权自适应调整的量子粒子群优化算法  [J]. 上海交通大学学报(自然版), 2012,V46(02): 228-232
HUANG Ze-Xia-1, 2 , YU You-Hong-3 etc . QuantumBehaved Particle Swarm Algorithm with Selfadapting Adjustment of Inertia Weight[J]. J. Shanghai Jiaotong Univ.(Sci.) , 2012,V46(02): 228-232.
链接本文:  
http://xuebao.sjtu.edu.cn/CN/      或     http://xuebao.sjtu.edu.cn/CN/Y2012/V46/I02/228
 
[1] Kennedy J,Eberhart R.Particle swarm optimization[C]//Proc of IEEE International Conference on Neural Networks.Perth:IEEE Press,1995:19421948.
[2] Kuok K K,Harun S,Shamsuddin S M.Particle swarm optimization feedforward neural network for modeling runoff[J].International Journal of Environmental Science and Technology,2010,7(1):6778.
[3] YANG Liying,ZHANG Junying,WANG Wenjun. Selecting and combining classifiers simultaneously with particle swarm optimization[J].Information Technology, 2009,8(2):241245.
[4] 王俊伟,王定伟.粒子群优化算法的改进与应用[D].
[5] 沈阳:东北大学系统工程系,2006.
[6] Suganthan P N. Particle swarm optimiser with neighbourhood operator[C]//Proceedings of the Congress on Evolutionary Computation. Washington, DC: IEEE Press, 1999:19581962.
[7] Feng J S B,Xu W B.Particle swarm optimization with particles having quantum behavior[C]//Proceedings of 2004 Congress on Evolutionary Computation. Portland, Oregon: IEEE Press, 2004:325331.
[8] Sun J,Xu W B.A global search strategy of quantumbehaved particle swarm optimization[C]//Proceedings of the IEEE Congress on Cybernetics and Intelligent System. Singapore: IEEE Press,2004:111116.
[9] 张选平,杜玉平,秦国强,等.一种动态改变惯性权的自适应粒子群算法[J].西安交通大学学报,2005,
[10] (10): 10391042.
[11] ZHANG Xuanping, DU Yuping, QIN Guoqiang, et al. Adaptive particle swarm algorithm with dynamically changing inertia weight[J]. Journal Xian Jiaotong University, 2005, 39(10):10391042.
[12] 靳雁霞,韩燮,周汉昌.具有量子行为的粒子群优化算法的改进[J].计算机应用与工程,2009, 45(35):
[13] 43.
[14] JIN Yanxia, HAN Xie, ZHOU Hanchang. Improved particle swarm optimization algorithm having quantum behavior[J].Computer Engineering and Applications, 2009, 45(35):4143.
[15] 余健,郭平.基于MATLAB的量子粒子群优化算法及其应用[J].计算机与数字工程,2007, 35(12):3839.
YU Jian, GUO Ping. Quantumnbehaved particle swarm optimization algorithm with application based on MATLAB[J].Computer and Digital Engineering, 2007, 35(12):3839.
[1] 沈伟1, 施光林2.基于气动人工肌肉的混合位置跟踪控制      [J]. 上海交通大学学报(自然版), 2012,46(02): 201-206
[2] 王景川, 方毅, 陈卫东.移动机器人定位的自适应功率调节射频识别系统[J]. 上海交通大学学报(自然版), 2012,46(02): 207-212
[3] 沙建军, 潘尔顺.基于改进自适应神经模糊推理模型的
回流焊参数设定方法
[J]. 上海交通大学学报(自然版), 2011,45(12): 1741-1746
[4] 陈德富, 陶正苏, 朱建平.一种自适应的无线传感网媒体接入控制协议[J]. 上海交通大学学报(自然版), 2011,45(10): 1521-1525
[5] 巢娟1, 孙锬锋1, 2, 蒋兴浩1, 2.基于双重检测模型的视频镜头分割算法[J]. 上海交通大学学报(自然版), 2011,45(10): 1542-1546
[6] 葛晖, 敬忠良.海流作用下全驱动自主式水下航行器环境最优动力定位控制[J]. 上海交通大学学报(自然版), 2011,45(07): 961-965
[7] 黄彬1, 邰能灵1, 傅晓红2, 王鹏2, 倪明杰2, 卫卫2.基于混合滤波器的大型船舶电力系统谐波抑制分析[J]. 上海交通大学学报(自然版), 2011,45(06): 787-792
[8] 李冬冬, 许明明, 胡德金, 许黎明.基于动态阈值的模糊自适应控制高硬度球面磨削方法[J]. 上海交通大学学报(自然版), 2011,45(06): 895-900
[9] 王林, 张国忠, 朱华勇, 沈林成.面向移动传感器网络的自适应一致性融合估计方法[J]. 上海交通大学学报(自然版), 2011,45(03): 383-0387
[10] 吴幼龙,罗汉文,刘伟,丁铭,王海龙.基于多用户多输入多输出系统的自适应有限反馈[J]. 上海交通大学学报(自然版), 2011,45(03): 313-0320
[11] 马波,周越.一种新的多视角人脸跟踪算法[J]. 上海交通大学学报(自然版), 2010,44(07): 902-0906
[12] 王锋辉,杨明,杨汝清,王春香.基于车队稳定性的安全时距及其确定方法[J]. 上海交通大学学报(自然版), 2010,44(06): 787-0791
[13] 时舒森,孙锬锋,蒋兴浩,.一种鲁棒自适应差分能量视频水印算法[J]. 上海交通大学学报(自然版), 2010,44(02): 282-0286
[14] 董湧,陈继祥.产业集群复杂自适应系统的层次与分形[J]. 上海交通大学学报(自然版), 2008,42(11): 1862-1865
[15] 唐炜,姚莉秀,杨杰,秦红星.基于矢量场自适应采样算法的图像体绘制技术[J]. 上海交通大学学报(自然版), 2008,42(10): 1650-1654
Copyright 2010 by 上海交通大学学报(自然版)