[1]肖雨荷,李茂军,齐 战,等.一种自适应鸡群-粒子群混合算法[J].控制与信息技术,2019,(06):8-12.[doi:10.13889/j.issn.2096-5427.2019.06.002]
 XIAO Yuhe,LI Maojun,QI Zhan,et al.An Adaptive Hybrid Chicken Swarm-Particle Swarm Optimization Algorithm[J].High Power Converter Technology,2019,(06):8-12.[doi:10.13889/j.issn.2096-5427.2019.06.002]
点击复制

一种自适应鸡群-粒子群混合算法()
分享到:

《控制与信息技术》[ISSN:2095-3631/CN:43-1486/U]

卷:
期数:
2019年06期
页码:
8-12
栏目:
控制理论与应用
出版日期:
2019-12-05

文章信息/Info

Title:
An Adaptive Hybrid Chicken Swarm-Particle Swarm Optimization Algorithm
文章编号:
2096-5427(2019)06-0008-05
作者:
肖雨荷李茂军齐 战刘 芾
(长沙理工大学电气与信息工程学院,湖南 长沙 410000)
Author(s):
XIAO Yuhe LI Maojun QI Zhan LIU Fu
( College of Electrical and Information Engineering, Changsha University of Science & Technology,Changsha,Hunan 410000,China )
关键词:
复杂函数优化鸡群算法粒子群算法混合算法
Keywords:
complex function optimization chicken swarm algorithm particle swarm optimization hybrid algorithm
分类号:
TP301.6
DOI:
10.13889/j.issn.2096-5427.2019.06.002
文献标志码:
A
摘要:
针对复杂函数的优化问题,文章提出了一种基于改进鸡群算法和自适应简化粒子群优化算法(self-adjusted simplified particle swarm optimization, SASPSO)的两阶段混合优化算法。首先,针对基本的鸡群算法易陷入局部最优和收敛精度不高的问题,在小鸡的位置更新公式中引入动态权值和全局最优个体,提出了改进鸡群算法;其次,引入多样性函数实时监控种群多样性,并结合SASPSO算法形成一种混合算法;最后,采用7个经典测试函数,用所提出的算法进行寻优测试,并与基本的粒子群算法、基本鸡群算法以及本文提出的改进鸡群算法进行对比。分析测试结果表明,该算法在求解复杂函数优化问题时具有较好的收敛速度和收敛精度。
Abstract:
This paper presented a two-stage hybrid algorithm based on the improved chicken swarm algorithm and self-adjusted simplified particle swarm optimization(SASPSO) for the optimization of complex functions. Firstly, in order to solve the problems of poor global search ability and low convergence accuracy of the basic chicken swarm algorithm, a dynamic weight strategy and the global optimal individual are introduced into the chicken position updating formula, and a improved chicken swarm algorithm is proposed. Secondly, a diversity function is introduced to monitor the population diversity in real time, and a hybrid algorithm is formed by introducing SASPSO algorithm. Finally, 7 classical test functions are used to test the performance of the algorithm. The algorithm was compared with the basic particle swarm optimization, the basic chicken swarm optimization and the improved chicken swarm algorithm. The results show that the algorithm is suitable for solving complex function optimization problems and has good convergence speed and accuracy.

参考文献/References:

[1] MENG X B,LIU Y,GAO X,et al. A new bio-inspired algorithm: chicken swarm optimization[C]//Proc of International Conference in Swarm Intelligence.Cham:Springer, 2014:86-94.

[2] 黄霞,叶春明,郑军. 混合改进搜索策略的鸡群优化算法[J].计算机工程与应用,2018,54(7): 176-181.
[3] 杨菊蜻,张达敏,张慕雪,等.一种混合改进的鸡群优化算法[J].计算机应用研究,2018,35(11): 3290-3293.
[4] KENNEDY J,EBERHART R. Particle swarm optimization[C]//Proceedings of 1995 IEEE International Conference on Neural Networks.Piscataway,NJ:IEEE Press,2002:1942-1948.
[5] 张鑫,邹德旋,肖鹏,等. 自适应简化粒子群优化算法及其应用[J].计算机工程与应用,2019, 55(8):250-263.
[6] 杜美君,张伟,谢亚莲. 基于粒子群算法的PID控制器参数优化[J].电子科技,2019, 32(6):7-11.
[7] 胡旺,李志蜀.一种更简化而高效的粒子群优化算法[J].软件学报, 2007(4):861-868.
[8] 郑家明,CHELLALI R,陈闯,等.具有自适应特性的改进鸡群算法[J].微电子学与计算机,2018, 35(10):93-98.
[9] 顾清华,孟倩倩.优化复杂函数的粒子群-鸽群混合优化算法[J].计算机工程与应用,2019, 55(22):46-52.
[10] 孙湘,周大为,张希望.惯性权重粒子群算法模型收敛性分析及参数选择[J].计算机工程与设计,2010,31(18):4068-4071.
[11] 李飞,刘建昌,石怀涛,等. 基于分解和差分进化的多目标粒子群优化算法[J].控制与决策,2017, 32(3): 403-410.
[12] 史旭栋. 基于粒子群优化和鸡群优化的群智能算法研究[D].银川:宁夏大学,2018.
[13] 张莹杰. 基于改进群智能优化算法的图像分割算法研究[D].广州:暨南大学,2018.
[14] 杨菊蜻. 群体智能在聚类算法中的应用研究[D].贵阳:贵州大学,2018.
[15] 秦雪涵. 基于粒子群算法与人工势场法的移动机器人路径规划研究[D].武汉:武汉理工大学,2017.

备注/Memo

备注/Memo:
收稿日期:2019-06-28
作者简介:肖雨荷(1995—),女,硕士研究生,研究方向为智能控制与智能计算;李茂军(1964—),男,教授,研究方向为智能控制与智能计算。
基金项目:国家自然科学基金(61074093)
更新日期/Last Update: 2019-12-25