基于并行结构的多种群粒子群优化算法

张天佳; 杨永胜

doi:10.13873/J.1000-9787(2020)09-0119-03

Chinese

您当前的位置：

首页 >

文章列表页 >

基于并行结构的多种群粒子群优化算法

计算与测试 | 更新时间：2025-09-11

- 基于并行结构的多种群粒子群优化算法
- Multi-swarm PSO algorithm based on parallel structure
- 传感器与微系统 2020年39卷第9期页码：119-121
- 作者机构：
  
  上海交通大学航空航天学院
- 作者简介：
- 基金信息：
  
  航空科学基金资助项目（20165557005）
- DOI：10.13873/J.1000-9787(2020)09-0119-03
  中图分类号： TP18
- 纸质出版：2020
- 稿件说明：
移动端阅览
[1]张天佳,杨永胜.基于并行结构的多种群粒子群优化算法[J].传感器与微系统,2020,39(09):119-121.

ZHANG Tianjia, YANG Yongsheng. Multi-swarm PSO algorithm based on parallel structure[J]. 2020, 39(9): 119-121.
[1]张天佳,杨永胜.基于并行结构的多种群粒子群优化算法[J].传感器与微系统,2020,39(09):119-121. DOI： 10.13873/J.1000-9787(2020)09-0119-03.

ZHANG Tianjia, YANG Yongsheng. Multi-swarm PSO algorithm based on parallel structure[J]. 2020, 39(9): 119-121. DOI： 10.13873/J.1000-9787(2020)09-0119-03.

摘要

针对粒子群优化（PSO）算法中存在的多样性差、易早熟收敛和鲁棒性不强等缺点

提出一种基于并行结构的多种群PSO算法。并行多种群算法在基本粒子群算法的基础上

增加了分别能加速和减缓粒子移动的两种更新公式

既改善了粒子群算法种群多样性差的缺陷

又能保证算法的计算精度。采用十种典型的标准测试函数对提出的算法进行了仿真实验。测试结果表明:与基本粒子群优化算法相比

并行多种群粒子群算法收敛速度更快

运算时间更短。

Abstract

Aiming at the disadvantages of the particle swarm optimization（ PSO） algorithm

such as poor diversity

premature convergence and weak robustness

a multi-swarm PSO algorithm based on parallel structure is proposed.On the basis of the basic PSO

the parallel multi-swarm algorithm adapts two updating formulas which can accelerate and slow down the particle movement respectively

which not only improves the poor population diversity of PSO

but also ensures the computational precision of the algorithm. Ten typical benchmark functions are used for simulation of the proposed algorithm. The results show that compared with the basic PSO algorithm

the multiswarm PSO algorithm based on the parallel structure has faster convergence speed and shorter operation time.

关键词

Keywords

references

基于IPOS-SVM的大学生出行方式识别研究 [J]. 吴麟麟,杨彪,景鹏. 计算机工程 . 2018(01)

基于多目标PSO算法的DSP防护优化设计 [J]. 郭宝龙,王健,闫允一,宁伟康. 计算机工程 . 2018(04)

基于粒子群算法的传感器网络室内定位系统优化 [J]. 张磊,黄如,袁伟娜. 传感器与微系统 . 2017(04)

基于优化粒子群算法的无人机航路规划 [J]. 张建南,刘以安,王刚. 传感器与微系统 . 2017(03)

一种自适应多种群的PSO算法 [J]. 夏学文,王博建,金畅,何国良,谢承旺,魏波. 系统仿真学报 . 2016(12)

基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用 [J]. 程声烽,程小华,杨露. 电力系统保护与控制 . 2014(19)

基于纠错机制的粒子群优化算法 [J]. 张捷,王华倩,乔学工. 传感器与微系统 . 2014(05)

多智能体粒子群优化的SVR模型预测控制 [J]. 唐贤伦,李洋,李鹏,刘念慈. 控制与决策 . 2014(04)

基于改进多目标粒子群算法的含风电场电力系统优化调度 [J]. 卢锦玲,苗雨阳,张成相,任惠. 电力系统保护与控制 . 2013(17)

改进粒子群优化算法在电力系统多目标无功优化中应用 [J]. 刘述奎,李奇,陈维荣,林川,郑永康. 电力自动化设备 . 2009(11)

元启发式优化算法理论与应用研究 [D]. 徐俊杰. 北京邮电大学 2007

Biogeography-based learning particle swarm optimization [J] . Xu Chen,Huaglory Tianfield,Congli Mei,Wenli Du,Guohai Liu. Soft Computing . 2017 (24)

Adequate is better: particle swarm optimization with limited-information [J] . Wen-Bo Du,Yang Gao,Chen Liu,Zheng Zheng,Zhen Wang. Applied Mathematics and Computation . 2015

浏览量

342

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PSO算法的光伏发电系统MPPT控制策略

考虑障碍物避让的水下滑翔机局部路径规划方法

PSO优化BP神经网络的串联故障电弧识别方法

引入贪心鱼群的改进人工鱼群算法

基于两倍过采样的60GHz系统并行定时同步