电子学报 ›› 2018, Vol. 46 ›› Issue (7): 1669-1674.DOI: 10.3969/j.issn.0372-2112.2018.07.019

• 学术论文 • 上一篇    下一篇

一种快速收敛的非参数粒子群优化算法及其收敛性分析

刘兆广1, 纪秀花1, 刘云霞2   

  1. 1. 山东财经大学计算机科学与技术学院, 山东济南 250014;
    2. 济南大学信息科学与技术学院, 山东济南 250022
  • 收稿日期:2017-05-05 修回日期:2017-10-19 出版日期:2018-07-25 发布日期:2018-07-25
  • 作者简介:刘兆广,男,1977年7月出生,山东菏泽人.山东财经大学计算机科学与技术学院副教授、硕士生导师,2008年毕业于山东大学信息科学与工程学院,获工学博士学位,研究方向包括智能优化算法、数字图像处理、智能视频分析.E-mail:liuzhg@sdufe.edu.cn;纪秀花,女,1964年10月生于湖北孝感,1985年、1988年在山东大学电子系获理学学士、理学硕士学位,2009年在山东大学计算机学院获工学博士学位,山东财经大学教授,主要从事计算机图像处理等方面的研究工作.E-mail:jane@sdu.edu.cn
  • 基金资助:
    国家自然科学基金(No.61772309);山东省自然科学基金(No.2016GGX101022,No.ZR2017MF067)

A Non-parameter Particle Swarm Optimization Algorithm with Fast Convergence Speed and Its Stability Analysis

LIU Zhao-guang1, JI Xiu-hua1, LIU Yun-xia2   

  1. 1. School of Computer Science and Technology, Shandong University of Finance and Economics, Jinan, Shandong 250014, China;
    2. School of Information Science and Engineering, University of Jinan, Jinan, Shandong 250022, China
  • Received:2017-05-05 Revised:2017-10-19 Online:2018-07-25 Published:2018-07-25

摘要: 如何调整粒子群算法的参数引起了大量研究人员的关注.本文提出了一种快速收敛的非参数粒子群优化算法.为了平衡全局搜索和局部搜索,本文算法融合了基于exemplar的学习策略和多交叉操作.根据进一步的稳定性分析,粒子群收敛于搜索空间中的一个固定位置,同时粒子群的位置方差收敛于零点.本文收集了常用的24个准则函数,与7个类似的粒子群算法进行了比较.实验结果表明,本文搜索算法在大部分准则函数上的搜索性能均优于同类算法.同时本文算法在收敛速度上要远优于同类算法.

关键词: 粒子群优化算法, 交叉操作, 参数选择, 稳定性分析

Abstract: The adjustment of parameters in particle swarm optimization (PSO) has attracted the attention of many researchers.In the paper,an alternative technology,a non-parameter PSO algorithm with fast convergence speed is proposed.A multi-crossover operation and an exemplar-based learning strategy are combined with the proposed algorithm.According to the first-and second-order stability analyses conducted for the present study,the particle positions are expected to converge at a fixed point in the search space,and the variance of the particle positions converge at zero.In our experiments,we compared the proposed algorithm with 7 other advanced PSO algorithms using 24 widely used benchmark functions.The experimental results indicate that the proposed algorithm yields better solution accuracy than the other PSO algorithms.In particular,the proposed algorithm outperforms the other PSO approaches significantly in terms of the convergence speed.

Key words: particle swarm optimization, crossover operation, parameter selection, stability analysis

中图分类号: