电子学报

• 科研通信 • 上一篇    下一篇

一种精英反向学习的粒子群优化算法

周新宇1,2, 吴志健1,2, 王晖1,3, 李康顺4, 张浩宇1   

  1. 1. 武汉大学软件工程国家重点实验室, 湖北武汉 430072;
    2. 武汉大学计算机学院, 湖北武汉 430072;
    3. 南昌工程学院信息工程学院, 江西南昌 330099;
    4. 华南农业大学信息学院, 广东广州 510642
  • 收稿日期:2012-06-15 修回日期:2013-03-04 出版日期:2013-08-25 发布日期:2013-08-25
  • 通讯作者: 周新宇
  • 作者简介:吴志健 男,1963年生,教授,博士生导师.武汉大学软件工程国家重点实验室副主任.研究方向:智能计算、并行计算、智能信息处理. E-mail:zhijianwu@whu.edu.cn王 晖 男,1983年生,博士.南昌工程学院信息工程学院讲师.研究方向:智能计算、并行计算.李康顺 男,1962年生,教授,博士生导师.华南农业大学信息学院、软件学院院长.研究方向:智能计算、多目标优化、视频流图像识别.张浩宇 女,1987年生,武汉大学软件工程国家重点实验室硕士生.研究方向:智能计算、并行计算.
  • 基金资助:
    国家自然科学基金(No.61070008,No.70971043);软件工程国家重点实验宝开放基金(No.SKLSE2012-09-19);中央高校基本科研业务费专项资金(No.2012211020205)

Elite Opposition-Based Particle Swarm Optimization

ZHOU Xin-yu1,2, WU Zhi-jian1,2, WANG Hui1,3, LI Kang-shun4, ZHANG Hao-yu1   

  1. 1. State Key Lab of Software Engineering, Wuhan University, Wuhan, Hubei 430072, China;
    2. Computer School, Wuhan University, Wuhan, Hubei 430072, China;
    3. School of Information Engineering, Nanchang Institute of Technology, Nanchang, Jiangxi 330099, China;
    4. School of Information, South China Agricultural University, Guangzhou, Guangdong 510642, China
  • Received:2012-06-15 Revised:2013-03-04 Online:2013-08-25 Published:2013-08-25

摘要: 为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.

关键词: 全局优化, 粒子群优化, 精英反向学习, 差分演化变异, 群体选择

Abstract: Traditional particle swarm optimization(PSO)algorithm tends to suffer from premature convergence;we proposed an elite opposition-based learning strategy in which elite particles are introduced to generate their opposite solutions by opposition-based learning.This mechanism can expand the search area and is helpful to enhance the global explorative ability of PSO.Meanwhile,a differential evolutionary mutation strategy is presented to avoid the best particle being trapped into local optima,since this may cause search stagnation of the whole swarm.This strategy adopts differential evolution algorithm to search for the neighborhoods of the global best particle and is helpful to enhance the exploitation ability of PSO.We compared our algorithm with some state-of-the-art PSOs on 14 benchmarks,the results show that our algorithm obtains better solution accuracy and quicker convergence speed.

Key words: global optimization, particle swarm optimization, elite opposition-based learning, differential evolutionary mutation, population-based selection

中图分类号: