基于直觉模糊熵的混合粒子群优化算法

王毅; 李晓梦; 耿国华; 周琳; 段焱中

doi:10.12263/DZXB.20201387

您当前的位置：

首页 >

文章列表页 >

基于直觉模糊熵的混合粒子群优化算法

学术论文 | 更新时间：2025-12-08

- 基于直觉模糊熵的混合粒子群优化算法
- Hybrid Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Entropy
- 电子学报 2021年49卷第12期页码：2381-2389
- 作者机构：
  
  西北大学信息科学与技术学院，陕西西安 710127
- 作者简介：
  
  [ "王毅男,1979年2月生,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." ]
  [ "李晓梦女，1995年10月生,河南人.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." ]
  [ "耿国华（通信作者）女，1955年生,山东人.西北大学信息科学与技术学院教授，主要研究方向为计算智能、图形图像处理、可视化技术.E‑mail:ghgeng@nwu.edu.cn" ]
  [ "周琳女，1996年10月生，湖北人.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." ]
  [ "段焱中男，1997年7月生,陕西商洛人.西北大学信息与科学技术学院硕士研究生.研究方向为深度学习." ]
- 基金信息：
  
  国家重点研发计划项目(2018YFC1504705);国家重大仪器专项(42027806);国家重点自然科学基金(61731015);国家自然科学基金(61402517);国家重点实验室基金(2016ADL-DW0302);陕西省自然科学基金项目(2018JM6029)
- DOI：10.12263/DZXB.20201387
  中图分类号： TP182;TP391
- 收稿：2020-12-06，
  
  修回：2021-01-06，
  
  纸质出版：2021-12-25
- 稿件说明：
移动端阅览
王毅,李晓梦,耿国华等.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.

WANG Yi,LI Xiao-meng,GENG Guo-hua,et al.Hybrid Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Entropy[J].ACTA ELECTRONICA SINICA,2021,49(12):2381-2389.
王毅,李晓梦,耿国华等.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. DOI： 10.12263/DZXB.20201387.

WANG Yi,LI Xiao-meng,GENG Guo-hua,et al.Hybrid Particle Swarm Optimization Algorithm Based on Intuitionistic Fuzzy Entropy[J].ACTA ELECTRONICA SINICA,2021,49(12):2381-2389. DOI： 10.12263/DZXB.20201387.

摘要

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度，提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数，并将熵值作为扰动因子动态调节惯性权重，同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练，在保持多样性传播的基础上选择学习对象，使粒子探索更多新区域，实现种群间的协作与并行进化.通过仿真实验，将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较，结果表明，本算法在求解精度、收敛速度和寻优效率上均有更好表现.

Abstract

In order to improve the global and local fine search capabilities of the particle swarm algorithm and accelerate the convergence speed

hybrid particle swarm optimization algorithm based on intuitive fuzzy entropy is proposed. The algorithm constructs an adaptive function of intuitive fuzzy entropy by using the information of the historical optimal solution of particles

and uses the entropy value as a disturbance factor to dynamically adjust the inertia weight. At the same time

it establishes an adaptive global optimal particle learning strategy to train the disturbed particles

chooses learning objects based on maintaining the diversity of propagation

enables the particles to explore more new areas

and realizes the cooperation and parallel evolution among populations. Through simulation experiments

the algorithm is compared with two derivation algorithms and other improved particle swarm optimization algorithms on 11 test functions. The results show that the algorithm performs better in solving accuracy

convergence speed and optimization efficiency.

关键词

Keywords

references

Kennedy J , Eberhart R . Particle swarm optimization [A]. Proceedings of ICNN' 95 - International Conference on Neural Networks [C]. Piscataway : IEEE , 1995 . 1942 - 1948 .

Wang Z , Cai J J . The path-planning in radioactive environment of nuclear facilities using an improved particle swarm optimization algorithm [J]. Nuclear Engineering and Design , 2018 , 326 ( 10 ) : 79 - 86 .

Li M , Chen H , Wang X D , et al . An improved particle swarm optimization algorithm with adaptive inertia weights [J]. International Journal of Information Technology & Decision Making , 2019 , 18 ( 3 ): 833 - 866 .

Wang Y K , Chen X B . Hybrid quantum particle swarm optimization algorithm and its application [J]. Science China (Information Sciences) , 2020 , 63 ( 5 ): 203 - 205 .

Wang F , Zhang H , Li K S , et al . A hybrid particle swarm optimization algorithm using adaptive learning strategy [J]. Information Sciences , 2018 , 436 ( 4 ): 162 - 177 .

Cao L L , Xu L H , Goodman E D . A neighbor-based learning particle swarm optimizer with short-term and long-term memory for dynamic optimization problems [J]. Information Sciences , 2018 , 453 ( 2 ): 463 - 485 .

Wei G , Su Y H . Dynamic multi-objective optimization of chemical process based on bare bones particle swarm optimization [J]. Chemical Engineering Transactions , 2018 , 71 ( 9 ): 811 - 816 .

Ouyang H B , Gao L Q , Li S , et al . Improved global-best-guided particle swarm optimization with learning operation for global optimization problems [J]. Applied Soft Computing , 2017 , 52 ( 3 ): 987 - 1008 .

Krawczak M , Szkatuła G . On matching of intuitionistic fuzzy sets [J]. Information Sciences , 2020 , 517 ( 3 ): 254 - 274 .

苏丁为 , 周创明 , 王毅 . 基于直觉模糊熵的粒子群多目标优化 [J]. 计算机科学 , 2016 , 43 ( 8 ): 262 - 266 .

Su D W , Zhou C M , Wang Y . Multi objective particle swarm optimization based on intuitionistic fuzzy entropy [J]. Computer Science , 2016 , 43 ( 8 ): 262 - 266 . (in Chinse)

Dokmanic I , Parhizkar R , Ranieri J , et al . Euclidean distance matrices: essential theory, algorithms, and applications [J]. IEEE Signal Processing Magazine , 2015 , 32 ( 6 ): 12 - 30 .

王毅 , 雷英杰 . 一种直觉模糊熵的构造方法 [J]. 控制与决策 , 2007 , 22 ( 12 ): 1390 - 1394 .

Wang Y , Lei Y J . A technique for constructing intuitionistic fuzzy entropy [J]. Control and Decision , 2007 , 22 ( 12 ): 1390 - 1394 . (in Chinse)

Liang J J , Qu B Y , Suganthan P N , et al . Problem Definitions and Evaluation Criteria for the CEC 2013 Special Session on Real-Parameter Optimization [R]. Zhengzhou，China ： Computational Intelligence Laboratory, Zhengzhou University ， 2013 .

周凌云 , 丁立新 , 彭虎 , 强小利 . 一种邻域重心反向学习的粒子群优化算法 [J]. 电子学报 , 2017 , 45 ( 11 ): 2815 - 2824 .

Zhou L Y , Ding L X , Peng H , et al . Neighborhood centroid opposition-based particle swarm optimization [J]. Acta Electronica Sinica , 2017 , 45 ( 11 ): 2815 - 2824 . (in Chinse)

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 Chinse)

孙骞 , 高岭 , 刘涛 , 等 . 基于熵模型的粒子群优化算法 [J]. 东南大学学报 (自然科学版) , 2019 , 49 ( 6 ): 1088 - 1093 .

Sun Q , Gao L , Liu T , et al . Particle swarm optimization algorithm based on entropy model [J]. Journal of Southeast University (Natural Science Edition) , 2019 , 49 ( 6 ): 1088 - 1093 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进T分布烟花-粒子群算法的AUV全局路径规划

基于粒子群结构寻优的电磁隐身微网格超表面

挺进深蓝：从单体仿生到群体智能

基于粒子群算法的分布式MIMO系统圆形小区天线位置优化研究

求解流水车间调度问题的混合粒子群算法