基于直觉模糊Memetic框架的双粒子群混合优化算法

doi:10.12263/DZXB.20201144

电子学报 ›› 2021, Vol. 49 ›› Issue (6): 1041-1049.DOI: 10.12263/DZXB.20201144

所属专题：粒子群优化算法

• 学术论文 • 下一篇

基于直觉模糊Memetic框架的双粒子群混合优化算法

王毅¹, 王侃琦¹, 张茂省², 李静¹

1. 西北大学信息科学与技术学院, 陕西西安 710127;
2. 西安交通大学, 陕西西安 710049

收稿日期:2020-10-18 修回日期:2021-01-06 出版日期:2021-06-25
- 通讯作者:
- 张茂省(通信作者) 男,1962年12月出生,陕西省乾县,博士,教授.现任西安交通大学灾害防治与生态修复研究院院长,主要从事智能信息处理与地质灾害防治.E-mail:xjtzms@xjtu.edu.cn
- 作者简介:
- 王毅男,1979年2月出生,上海人,博士(后).现为西北大学信息科学与技术学院副教授,主要从事智能信息处理、深度学习与群体智能优化;王侃琦 男,1994年出生,浙江杭州人.西北大学信息科学与技术学院硕士研究生,主要研究方向为群体智能优化算法;李静女,1997年1月出生,山西晋中人.西北大学信息科学与技术学院硕士研究生,主要研究方向为多目标优化,深度学习.
- 基金资助:
- 国家重点研发计划 (No.2018YFC1504705）; 国家重点自然科学基金 (No.61731015）; 国家自然科学基金重大仪器专项 (No.42027806）; 国家自然科学基金 (No.61402517）; 国家重点实验室基金 (No.2016ADL-DW0302）; 陕西省自然科学基金 (No.2018JM6029）

Hybrid Double Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Memetic Framework

WANG Yi¹, WANG Kan-qi¹, ZHANG Mao-sheng², LI Jing¹

1. School of Information Science and Technology, Northwestern University, Xi'an, Shaanxi 710127, China;
2. Xi'an Jiaotong University, Xi'an, Shaanxi 710049, China

Received:2020-10-18 Revised:2021-01-06 Online:2021-06-25 Published:2022-06-25

摘要/Abstract

摘要： 为了平衡粒子群算法多样性与收敛速度，本文在Memetic框架下结合多属性决策，提出基于直觉模糊Memetic双种群混合优化算法.算法采用探索与开发分布式策略，在探索阶段，设计了社会强化算子和碰撞反弹算子提升种群多样性与勘探更多新区域；通过建立直觉模糊多属性决策对探索区域综合评估并生成可能存在的全局最优解区域，进而指导具有拉马克学习的开发种群进行局部精细搜索，实现不同策略下种群间的分布式协作与计算资源的合理分配.通过与其它5种新型进化算法在23个基准函数测试结果中体现出本算法具有更好的综合优化能力.

关键词: 粒子群, Memetic框架, 直觉模糊多属性决策, 分布式协作, 拉马克学习

Abstract: In order to mitigate the difficulty of balancing diversity and convergence in heuristic algorithm,this paper proposes an IF-memetic hybrid double particle swarm optimization (IFMHDPSO) based on intuitionistic fuzzy memetic framework and multi-attribute decision.There are two independent exploration and exploitation populations employing distributed strategies in which social reinforcement operator and collision rebound operator are proposed to improve diversity of algorithm and explore new areas in populations of exploration.Moreover,an intuitionistic fuzzy multi-attribute decision making is built up for comprehensively evaluating the solution space to get the potential global optimal solution area,which can guide the PSO(Particle Swarm Optimization) with Lamarckian mechanism to carry out the local search to achieve cooperation between populations under different strategies and reasonable allocation of computational resources.Compared with other 5 new evolutionary algorithms,IFMHDPSO is of better comprehensive optimization in 23 benchmark function test results.

Key words: particle swarm optimization, memetic framework, intuitionistic fuzzy multi-attribute decision making, distributed cooperation, Lamarckian learning

中图分类号:

TP182
TP391

王毅, 王侃琦, 张茂省, 李静. 基于直觉模糊Memetic框架的双粒子群混合优化算法[J]. 电子学报, 2021, 49(6): 1041-1049.

WANG Yi, WANG Kan-qi, ZHANG Mao-sheng, LI Jing. Hybrid Double Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Memetic Framework[J]. Acta Electronica Sinica, 2021, 49(6): 1041-1049.

参考文献

[1] Ma H P,Simon D.Evolutionary Computation With Biogeography-Based Optimization[M].Hoboken,NJ,USA:John Wiley & Sons,Inc,2017.
[2] Ismail A M,Mohamad M S,Abdul Majid H,et al.An improved hybrid of particle swarm optimization and the gravitational search algorithm to produce a kinetic parameter estimation of aspartate biochemical pathways[J].Biosystems,2017,162:81-89.
[3] Si W,Qin B Y,Li Q Q,et al.A novel adaptive wavelet threshold estimation based on hybrid particle swarm optimization for partial discharge signal denoising[J].Optik,2019,181:175-184.
[4] S,ahin M,Kelleg z T.A new mixed-integer linear programming formulation and particle swarm optimization based hybrid heuristic for the problem of resource investment and balancing of the assembly line with multi-manned workstations[J].Computers & Industrial Engineering,2019,133:107-120.
[5] 邓先礼,魏波,曾辉,等.基于多种群的自适应迁移PSO算法[J].电子学报,2018,46(8):1858-1865. Deng X L,Wei B,Zeng H,et al.A multi-population based self-adaptive migration PSO[J].Acta Electronica Sinica,2018,46(8):1858-1865.(in Chinese)
[6] 孙辉,邓志诚,赵嘉,等.混合均值中心反向学习粒子群优化算法[J].电子学报,2019,47(9):1809-1818. Sun H,Deng Z C,Zhao J,et al.Hybrid mean center opposition-based learning particle swarm optimization[J].Acta Electronica Sinica,2019,47(9):1809-1818.(in Chinese)
[7] García-Ródenas R,Linares L J,López-Gómez J A.A memetic chaotic gravitational search algorithm for unconstrained global optimization problems[J].Applied Soft Computing,2019,79:14-29.
[8] Krawczak M,Szkatuła G.On matching of intuitionistic fuzzy sets[J].Information Sciences,2020,517:254-274.
[9] Konstantinidis A,Pericleous S,Charalambous C.Meta-Lamarckian learning in multi-objective optimization for mobile social network search[J].Applied Soft Computing,2018,67:70-93.
[10] 王毅,刘三阳,张文,等.属性权重不确定的直觉模糊多属性决策的威胁评估方法[J].电子学报,2014,42(12):2509-2514. Wang Y,Liu S Y,Zhang W,et al.Threatassessment method with uncertain attribute weight based on intuitionistic fuzzy multi-attribute decision[J].Acta Electronica Sinica,2014,42(12):2509-2514.(in Chinese)
[11] Yang X S,Deb S.Cuckoo search via L'evy flights[A].2009 World Congress on Nature & Biologically Inspired Computing (NaBIC)Computing (NABIC'09)[C].Coimbatore,India:IEEE,2009.210-214.
[12] Meng X B,Liu Y,Gao X Z,et al.A new bio-inspired algorithm:Chicken swarm optimization[A].Advances in Swarm Intelligence[C].Hefei,China:Springer,2014.86-94.
[13] Mirjalili S,Mirjalili S M,Lewis A.Grey wolf optimizer[J].Advances in Engineering Software,2014,69:46-61.
[14] Mirjalili S,Lewis A.The whale optimization algorithm[J].Advances in Engineering Software,2016,95:51-67.
[15] Derrac J,García S,Molina D,et al.A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms[J].Swarm and Evolutionary Computation,2011,1(1):3-18.

基于直觉模糊Memetic框架的双粒子群混合优化算法

Hybrid Double Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Memetic Framework

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	熊小峰, 黄淳岚, 乐光学, 戴亚盛, 杨晓慧, 杨忠明. 边缘计算中基于综合信任评价的任务卸载策略[J]. 电子学报, 2022, 50(9): 2134-2145.
[2]	周泓岑, 白恒, 才振功, 蔡亮, 顾静, 汤志敏. 基于LSTM和GRNN的容器配额优化算法[J]. 电子学报, 2022, 50(2): 366-373.
[3]	孙全明, 曲志坚, 任崇广. 基于粒子群优化和LightGBM的情景感知多式联运推荐[J]. 电子学报, 2021, 49(5): 894-903.
[4]	周熙炜, 汪贵平, 王会峰, 尚宵. 车-路协同电动汽车动态无线充电的路权调度控制[J]. 电子学报, 2021, 49(5): 904-911.
[5]	郝诗雅, 杨媛媛, 董怡靖, 赵晓旭, 陈嘉兴. 水声传感器网络中粒子群与蒙特卡罗优化的移动定位算法[J]. 电子学报, 2021, 49(2): 292-299.
[6]	王毅, 李晓梦, 耿国华, 周琳, 段焱中. 基于直觉模糊熵的混合粒子群优化算法[J]. 电子学报, 2021, 49(12): 2381-2389.
[7]	陈健瑞, 王景璟, 侯向往, 方政儒, 杜军, 任勇. 挺进深蓝：从单体仿生到群体智能[J]. 电子学报, 2021, 49(12): 2458-2467.
[8]	韩红桂, 阿音嘎, 张璐, 乔俊飞. 自适应分解式多目标粒子群优化算法[J]. 电子学报, 2020, 48(7): 1245-1254.
[9]	王海东, 刘云敬, 康琳, 武迎春. 射频能量捕获传感网移动能量源的布置策略研究[J]. 电子学报, 2020, 48(12): 2367-2375.
[10]	李泽, 田增山, 王中春, 王亚. 基于粒子群优化的多径辅助室内定位算法[J]. 电子学报, 2020, 48(10): 1952-1960.
[11]	郝少伟, 李勇军, 赵尚弘, 王蔚龙, 王星宇. 基于改进粒子群算法的多载波NOMA功率分配策略[J]. 电子学报, 2020, 48(10): 2009-2016.
[12]	孙辉, 邓志诚, 赵嘉, 王晖, 谢海华. 混合均值中心反向学习粒子群优化算法[J]. 电子学报, 2019, 47(9): 1809-1818.
[13]	黄锦旺, 吕善翔, 李广明, 袁华强. 基于增殖系数的混沌信号提取算法[J]. 电子学报, 2019, 47(4): 855-861.
[14]	张行, 常颖, 宋康, 李春国, 杨绿溪. 一种新颖的水声信道参数估计算法[J]. 电子学报, 2019, 47(2): 509-512.
[15]	龙文, 蔡绍洪, 焦建军, 伍铁斌. 一种改进的灰狼优化算法[J]. 电子学报, 2019, 47(1): 169-175.