应用小生境和反向学习策略的量子粒子群算法  

Quantum-Behaved Particle Swarm Optimization Algorithm Using Niche and Opposition-Based Learning

作　　者：李志鹏 李卫忠[2] 江洋[2] 杜瑞超[2] 刘唐 

机构地区：[1]空军工程大学研究生院,西安710051 [2]空军工程大学防空反导学院,西安710051

出　　处：《重庆理工大学学报（自然科学）》2018年第1期181-187,共7页Journal of Chongqing University of Technology：Natural Science

基　　金：国家自然科学基金资助项目(61503407)

摘　　要：针对粒子群算法收敛速度慢、容易陷入局部最优等缺陷,提出一种应用小生境和反向学习策略的量子粒子群算法。以可拓理论为基础构造算法模型,在群体中划分出小生境,并设置共享区,对共享区粒子实施适应度动态共享,可有效防止算法过早收敛,增强全局搜索能力;为深度挖掘全局最优粒子,引入精英反向学习策略,增强解空间的开发,提高算法精度。通过测试函数评估算法性能,实验结果表明算法的优化性能得到了改善。To solve the shortcomings of the particle swarm optimization algorithm,such as the premature convergence and being easy to fall into local optimum,a quantum-behaved particle swarm optimization algorithm using niche and opposition-based learning is proposed. The algorithm model based on extension is set up to divide the particle swarm into niche. In addition,the algorithm sets up sharing-areas to renew fitness of particle dynamically. For mining the global optimal particle deeply,elite opposition-based learning is introduced. The test results demonstrate the effectiveness and feasibility of the algorithm.

关 键 词：量子粒子群 可拓理论 小生境 反向学习策略 适应度共享 

分 类 号：TP301.6[自动化与计算机技术—计算机系统结构]