量子粒子群优化的人工蜂群算法

杜康宇; 毛力; 毛羽; 杨弘; 肖炜

doi:10.13873/j.1000-9787(2018)03-0130-03

Chinese

您当前的位置：

首页 >

文章列表页 >

量子粒子群优化的人工蜂群算法

计算与测试 | 更新时间：2025-09-11

- 量子粒子群优化的人工蜂群算法
- Artificial bee colony algorithm based on quantum-behaved particle swarm optimization
- 传感器与微系统 2018年37卷第3期页码：130-132+137
- 作者机构：
  
  1. 江南大学物联网工程学院
  2. 中国水产科学研究院淡水渔业研究中心
- 作者简介：
- 基金信息：
  
  轻工过程先进控制教育部重点实验室开放课题资助（江南大学）项目（APCLI1004）;江南大学自主科研计划重点项目（JUSRP51410B）;国家青年科学基金资助项目（F030204）
- DOI：10.13873/j.1000-9787(2018)03-0130-03
  中图分类号： TP18
- 纸质出版：2018
- 稿件说明：
移动端阅览
[1]杜康宇,毛力,毛羽,杨弘,肖炜.量子粒子群优化的人工蜂群算法[J].传感器与微系统,2018,37(03):130-132+137.

DU Kang-yu, MAO Li, MAO Yu, et al. Artificial bee colony algorithm based on quantum-behaved particle swarm optimization[J]. 2018, 37(3): 130-132+137.
[1]杜康宇,毛力,毛羽,杨弘,肖炜.量子粒子群优化的人工蜂群算法[J].传感器与微系统,2018,37(03):130-132+137. DOI： 10.13873/j.1000-9787(2018)03-0130-03.

DU Kang-yu, MAO Li, MAO Yu, et al. Artificial bee colony algorithm based on quantum-behaved particle swarm optimization[J]. 2018, 37(3): 130-132+137. DOI： 10.13873/j.1000-9787(2018)03-0130-03.

摘要

针对传统的人工蜂群算法在求解函数优化问题中具有收敛速度慢、局部搜索能力低的缺点

将量子粒子群优化算法中粒子位移的更新方法引入到跟随蜂的局部搜索策略中

使人工蜂群具有更高的局部搜索能力。6个标准测试函数的仿真实验结果表明:与传统的人工蜂群算法相比

改进后的人工蜂群算法在收敛速度和寻优精度上大幅提高。

Abstract

To improve the traditional artificial bee colony algorithm（ ABCA） which has the problem of slow convergence speed and low local search ability

put forward an ABCA based on quantum particle swarm optimization（ QPSO）. The local search ability remarkably improved by introducing the updating method of particle displacement in QPSO to the local search strategy of employed bees and onlooker bees. The simulation results of six standard test functions indicate that compared with the traditional ABCA the improved ABCA improves greatly in the rate of convergence speed and the optimization precision.

关键词

Keywords

references

改进粒子滤波的无线传感器网络目标跟踪算法 [J]. 丁婷婷,高美凤. 传感器与微系统 . 2016(07)

一种强化互学习的人工蜂群算法 [J]. 罗浩,刘宇. 计算机工程与应用 . 2016(16)

一种基于贪心策略的启发式云计算任务调度算法 [J]. 孙凌宇,冷明,朱平. 井冈山大学学报(自然科学版) . 2015(06)

一种改进的人工蜂群算法 [J]. 臧明相,马轩,段奕明. 西安电子科技大学学报 . 2015(02)

求解函数优化问题的改进的人工蜂群算法 [J]. 葛宇,梁静,王学平,谢小川. 计算机科学 . 2013(08)

改进搜索策略的人工蜂群算法 [J]. 张银雪,田学民,曹玉苹. 计算机应用 . 2012(12)

人工蜂群算法的改进方法与收敛性理论的研究 [D]. 邱剑锋. 安徽大学 2014

Artificial bee colony algorithm with memory [J] . Xianneng Li,Guangfei Yang. Applied Soft Computing . 2015

Parameter estimation for chaotic systems by hybrid differential evolution algorithm and artificial bee colony algorithm [J] . Xiangtao Li,Minghao Yin. Nonlinear Dynamics . 2014 (1-2)

Job Shop Scheduling with the Best-so-far ABC [J] . Anan Banharnsakun,Booncharoen Sirinaovakul,Tiranee Achalakul. Engineering Applications of Artificial Intelligence . 2011 (3)

The best-so-far selection in Artificial Bee Colony algorithm [J] . Anan Banharnsakun,Tiranee Achalakul,Booncharoen Sirinaovakul. Applied Soft Computing Journal . 2010 (2)

NEURAL NETWORKS TRAINING BY ARTIFICIAL BEE COLONY ALGORITHM ON PATTERN CLASSIFICATION [J] . Karaboga, Dervis,Ozturk, Celal. Neural Network World . 2009 (3)

On the performance of artificial bee colony （ABC） algorithm [J] . D. Karaboga,B. Basturk. Applied Soft Computing Journal . 2007 (1)

浏览量

325

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于欧氏距离与多种搜索策略的人工蜂群算法

混合无线传感器网络覆盖优化算法

改进人工蜂群优化的极限学习机

基于改进人工蜂群算法的支持向量机时序预测

改进人工蜂群算法在WSNs覆盖优化中的应用