引入测评机制的综合学习粒子群优化算法  

Improving performance of comprehensive learning particle swarm optimization by embedding exemplar evaluation strategy

作　　者：喻雪[1] 胡晓敏[2] 林盈[3] 

机构地区：[1]中山大学信息科学与技术学院,广东广州510006 [2]中山大学公共卫生学院卫生信息研究中心广东省卫生信息学重点实验室,广东广州510080 [3]中山大学心理学院,广东广州510275

出　　处：《计算机工程与设计》2015年第3期753-758,共6页Computer Engineering and Design

基　　金：国家自然科学基金项目(61379061;61309003;61202130;61379060);国家自然科学基金-广东省联合基金重点项目(U1201258;U1135005);广东省自然科学基金项目(S2012040007948);中央高校基本科研业务费专项基金项目(12lgpy47);高等学校博士学科点专项科研基金项目(20120171120027)

摘　　要：综合学习粒子群算法(CLPSO)能够改善粒子群算法多样性差且易局部收敛的问题,相比传统PSO算法能够一定程度避免算法早熟,但却存在收敛速度慢的问题。对此,提出一种CLPSO的改进算法(CLPSO-II),为每个粒子随机构造两个学习粒子,引入测评机制,择优学习。实验结果表明,CLPSO-II能有效提高CLPSO的搜索效率,在处理多峰函数时,其性能优于传统粒子群算法(PSO)、全面学习粒子群算法(FIPS)和综合学习粒子群算法(CLPSO)。The comprehensive learning particle swarm optimizer（CLPSO）proposed in the literature has successfully improved the population diversity of traditional PSO so as to avoid the premature convergence to some extent.However,the algorithm encounters the problem of slow convergence speed,especially during the later stage of search process.An improved version of CLPSO（termed CLPSO-II）was proposed,which constructed two exemplars for each particle and choe the one with better fitness to learn according to an exemplar evaluation strategy.Experimental result shows that CLPSO-II improves the search efficiency of CLPSO,and it comprehensively outperforms traditional PSO,FIPS and CLPSO when dealing with multimodal functions.

关 键 词：多峰函数 粒子群算法 全面学习粒子群算法 综合学习粒子群算法 CLPSO-II 

分 类 号：TP18[自动化与计算机技术—控制理论与控制工程]