C omputer Engineering and Applications 计算机工程与应用
2014,50(20)
1 引言
粒子群优化算法(Particle Swarm Optimization,PSO)
是 Kennedy 等人提出的适用于连续搜索空间问题的群
体智能算法
[1]
。PSO 算法因其编程简单、算法收敛速度
快得到了广泛的应用,但从算法本身来看,它并不是一
个全局收敛
[2]
,对此许多学者提出了许多的改进方法
[3-4]
。
Sun 等人通过研究 PSO 算法的形成机理,在算法中引入
了量子理论,提出了具有全局搜索能力的具有量子行为
的 粒 子 群 优 化 算 法(Quantum-behaved Particle Swarm
Optimization,QPSO)
[5-7]
,QPSO 算法具有计算简单、控制
参数少等特点,引起了国内外相关领域众多学者的关注。
针对算法中的唯一控制参数(收缩扩张因子),文献[8-9]
在参数选择上提出了一些改进方法;文献[10-11]从粒子
群体多样性方面提出了改进方法;在文献[12]中,概率
分布函数被引入了 QPSO 算法,用来提高算法的性能;
在文献[13-14]中,QPSO 算法结合了一些其他的进化方
法,通过各自不同算法优点的结合提高整体算法性能。
在以上的一些 QPSO 算法改进中,群体的学习模式
自学习的量子粒子群优化算法改进
盛歆漪
1
,孙 俊
2
,周 頔
1
,须文波
2
SHENG Xinyi
1
, SUN Jun
2
, ZHOU Di
1
, X U Wenbo
2
1.江南大学 数字媒体学院,江苏 无锡 214021
2.江南大学 物联网学院,江苏 无锡 214021
1.School of Digital Media, Jiangnan University, Wuxi, Jiangsu 214021, Ch ina
2.School of IoT Engineering, Jia ngnan University, Wuxi, Jiangsu 214021, China
SHENG Xinyi, SUN Jun, ZHOU Di, et al. Self-learning quantum-behaved particle swarm optimization algorithm.
Computer Engineering and Applications, 2014, 50(20):24-29.
Abstract:Qua ntum-behaved particle swarm optimization algorithm is analyzed, par ticles searching action and local attract
point are studied. To the different sea rching environment in searching progress, the searching actions are divided into four
models. The proposed algo rithm c an self-learn the optimization problem, and utilize a suitable learning model, then the
who le o ptimization performan ce is increased. The comparison and analysis of result s with the proposed method an d other
improved QPSO based on CEC2005 benchmark fun ction a re given, the simulation results show the modifi ed algorithm
can greatly improve the QPSO per formance.
Key words:Particle Swarm Optim ization(PSO)algo rithm; se lf-learning; local attract point; searching model
摘 要:分析了量子行为粒子群优化算法,着重研究了算法中群体粒子的搜索行为,对算法中局部吸引点进行了分
析,提出针对粒子在搜索过程中所处的不同搜索环境,将粒子的搜索行为分为四种类型,并能够自适应地学习优化
问题环境,采用合适的学习模式,提高算法整体优化性能;将改进后的自学习量子粒子群算法与其他一些改进方法
通过 CEC2005 benchmark 测试函数进行了比较,最后对结果进行了分析,仿真结果显示自学习方法能够显著改善量
子粒子群优化算法的性能。
关键词:粒子群算法;自适应学习;局部吸引点;搜索模式
文献标志码:A 中图分类号:TP301 doi:10.3778/j.issn.1002-8331.1403-0494
基金项目:国家自然科学基金(No.61170119,No.60973094);江苏省自然科学基金(No.BK20130160)。
作者简介:盛歆漪(1975—),女,博士研究生,讲师,主要研究方向:智能控制、优化算法、交互设计;孙俊(1973 —),男,博士,副教
授,主要研究方向:优化算法、机器学习;周頔(1983—),女,博士,副教授,主要研究方向:优化算法、图像识别;须文波
(1944—),男,教授,博导,主要研究方向:智能控制、先进算法。E-mail :sheng-xy@163.com
收稿日期:2014-04-01 修回日期:2014-05-14 文章编号:1002-8331(2014)20-0024-06
CNKI 网络优先出版:2014-05-22, http://www.cnki.net/kcms/do i/10.3778/j.issn.1002-8331.1403-0494.html
24