基于邻居适应值的改进粒子群算法研究

2018-01-05 08:50:10李承启龙圣杰刘衍民
遵义师范学院学报 2017年6期
关键词:检测

李承启,龙圣杰,刘衍民*

(1.五邑大学数学与计算科学学院,广东江门529020;2.遵义师范学院数学学院,贵州遵义563006)

粒子群算法(PSO)[1]是Eberhart和Kennedy在1995年提出的,它是源于对鸟类觅食行为的模拟,具有操作简单、求解速度快等优点。与其它进化算法一样,PSO也存在容易早熟、局部寻优能力差等缺点。因此,为了提升算法的运行效率,许多学者提出了各种不同的改进策略,以克服算法存在的不足。例如,在种群拓扑结构改进领域,文献[2,3]提出了带收敛因子的局部版本的粒子群算法(CF-LPSO)和带收敛因子的全局版本的粒子群算法(CF-GPSO),文献[4]提出了局部版本的PSO(FIPS)。还有一些研究者对粒子的学习对象进行改进,如文献[5]提出了合作粒子群算法(CPSO),文献[6]提出了全面学习粒子群算法(CLPSO),文献[7]提出了适应距离比例的粒子群算法(FDR-PSO)等,这些改进策略对于粒子跳出局部最优都有一定的效果,但是在求解精度和实现上仍有很大改进空间。

由于前面提到的改进算法存在一定的不足,本文提出了一种新的改进算法(NFPSO),该算法将种群分成三个子群,提取每个子群中最优个体,采用加权法构建具有全局代表性的最优个体。在检测函数的测试中,实验结果表明,相比基本粒子群算法NFPSO具有较好的性能,是对基本粒子群算法的一种有效改进。

1 基本粒子群算法

粒子群算法因其具有结构简单、操作方便的特点,在智能优化计算、图像识别与工程应用等领域得到广泛应用。

算法的进化方式如下:

其中为i粒子的历……

登录APP查看全文

猜你喜欢
检测
QC 检测
小波变换在PCB缺陷检测中的应用