万方数据
Jo唧al
ofComputerApplications
ISSN1001—908l
2012一12一Ol
计算机应用,2012,32(12):3319—3321
CODENJYIIDU
ht‘p://www.joca.cn
文章编号:1001—9081(2012)12—3319—03
doi:10.3724/SP.J.1087.2012.03319
求解约束优化的改进粒子群优化算法
李妮r,欧阳艾嘉2,李肯立2
(1.运城学院公共计算机教学部,山西运城044000;
2,湖南大学信息科学与工程学院,长沙410082)
(¥通信作者电子邮箱lin订98l@yeah.net)
摘要:针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之闻保持通信,从而提高算法的搜索精度。仿真实验结果表明:将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为o。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。
关键词:约束优化;佳点集;粒子群优化;协同进化
中图分类号:TPl8文献标志码:A
Improvedparticleswarmoptimizationforconstrainedoptimizationfu眦tions
UNiP,0UYANGAi—iia2。LIKen.1i2
(1.PM62icCDmpH£er
n。c^i蟛D印nn砌n£,hnc^肌g‰泐邢毗地眦砘增ShⅡ础i044000,吼in口:
2.鼢oof矿,咖r,加如nsciew咖柑E嚼珊e矗碍肌凇n踟妇您咄吼n咿胁肌∞n410082,鳓i眦)
Abstract:TooVercometheweaknessofover.concentr乱ionwhenthepopulationofPanicle
Swa硼0PIjmization(PS0)is
initializedandthesearchprecisionofbasicPS0is
not
hi曲,an
Impmved
PSO(IPs0)forconstrajnedoptiHlizationproblems
was
proposed.
AtechniqueofGoodPoint
set(GPs)
邶introduced
to
distdbutetheinitializedparticles
evenly
andthe
populationwithdiversity
would
not
faUinto
the
10cal
extremum.Co-evolutionaq
melhod
was
milized
to
main【氲n
communicationbetweenthetwopopuIations;therebytl】esearch
accuracy
ofPSOwasincreased.
Thesimulationresults
indicatethat,thepmposedalgorithmobtainsIhetheoreticaloptimals01utionson山etest
offivebenchmarkfunctionsusedin
thepaperandthestatisticalvariancesoffourofthemare
0.
Theproposeda190^thmimprovesthecalculationaccura。yand
robustnessandit
can
bewidelyusedintheconstrainedoptimizationproblems.
Keywords:constminedoptimization;GoodPoint
Set(GPS);ParticleSwam0ptimization(PS0);
co—evolution
0
引言
提出一种基于佳点集理论的协同进化粒子群优化算法,用于求解约束优化问题。该方法既能使得初始种群粒子分布均粒子群优化(Panicleswa瑚0ptimizalion,Ps0)…算法是
匀,又能使粒子避免陷人局部极值,从而提高收敛速度。
一种被广泛运用于求饵非线性优化问题的方法,它最初的原1
理是受鸟群活动和群体觅食行为的启发而得出的。许多诸如约束优化问题的描述
约束优化的工程问题都能够求解。到目前为止,罚函数法困一般地,一个约束优化问题可以描述如下:为其简单,易实现等特点而被广泛应用,然而,罚函数法经常min八x)
(1)
难以设置合适的罚因子和自适应机制。区别于罚函数法,协同s.t,g,(卫)≤0,j=1,2,…,£
进化粒子群优化算法是一种求解约束优化问题的有效方法。
^,(z)=O,j=Z+1,f+2,…,m
粒子群优化算法是于1995年提出的一种基于种群的搜
其中:x=(z。,算:,…,戈。)为自变量向量;相应地,置∈[z。,索技术。它是一种应用非常广泛的群智能算法,已经被成功地];以工)、毋(x)、无,(z)都是n维欧式空间函数。八工)作为目
地用来解决故障诊断问题。1、置换流水线车间调度问题"o、标函数;g“x)作为第j个不等式约束条件;^,(J)作为第,个等式约束条件。这单,等式约束条件可以化为两个不等式约
异构传感器网络节点的优化部署问题”。和语义web服务发束条件:
现问题∞3等。相比遗传算法,粒子群优化算法有着一些特f丘,(工)≤A
质,诸如,种群粒子有着记忆能力,使得粒子能保持优质解,而i:^.(z)≤A
遗传算法,一旦种群改变,先前的解也会被破坏;粒子群个体其中:给定精度A,是一个足够小的常数。
之问相互共享信息。另一方面,类似于遗传算法,粒子群优化算法也易于陷入局部极值。协同进化粒子群优化算法已经被2
基本算法
证明是一种比较有效的解决约束优化问题的有效方法。6J,但
2.1
粒子群优化算法基本原理
是由于其种群的多样性不够,容易陷入局部极值。因此,本文
粒子群优化算法最初是由美国两位科学家Kennedy和
收稿日期:2012一07—24;修回日期:2012・08—31。
基金项目:国家自然科学基金重大研究计划项目(90715029);国家自然科学基金资助项目(60603053,61070057)。
作者简介:李妮(1981一),女,山西临汾人,讲师,硕士,主要研究方向:智能算法;欧阳艾嘉(1978一),男,湖南娄底人,讲师,博士,主要研究方向:并行计算;李肯立(1971一),男,湖南娄底人,教授,博士,主要研究方向:并行计算。
3320
计算机应用
第32卷
万方数据
Eberhan提出的模拟鸟群觅食行为的随机优化方法,它应用于神经网络训练、函数优化等方面。
令s为粒子空间维度大小,那么第i个粒子有如下性质。
在探索空间中,粒子当前速度V=h"”∞,…,%.。],当前位
置墨=[戈¨,t∞…,戈。];每一个粒子在f时刻都有其局部最优位置y。=[y¨,儿∞…,y。];第,次迭代时全局最优位置标
记为多,。在每一次迭代,种群中的每一粒子都按照式(2)和
(3)进行更新。假设种群包含n个粒子,r。Eu(0,1),r:Eu(0,1)是两个(O,1)的随机数。
口;,J(£+1)=∞口。,J(£)+c1r1[y。J(f)一石;J(f)]十
c:r:[夕。(J)一x¨(t)]
(2)
其中:,∈{1,2,…,n},”。是第i个粒子的第,维上的速度,c。和c:为常数,称为加速度参数,∞称为惯性权因子。粒子新的位置可使用式(3)来计算。
戈。(t十1)=z。(f)+口。(f+1);,=1,2,…,凡
(3)
个体局部最优位置由式(4)来更新:
l,。(£+1):f一(‘),
厂(置(‘+1))≥八一(‘))
‘
【x;(t+1),以x。(£+1))<八t(£))
(4)
全局最优位置歹则定义为,
多(£+1)=a。gmin,(t(t+1));1≤i≤n
(5)
2.2佳点集理论
文献[7]已经从理论和实验证明佳点集方法的功能和优点是能够使初始微粒在目标空间中均匀地分布,佳点集的定
义‘7㈨如下。
定义1佳点集。
令r∈e,占为任意小的非负数,偏差P。(后)={({r,x%},{r:×Jj}},…,{r。×矗}),☆=1,2,…,n},若满足咖(凡)=c(r,8)n。”,则称P。(☆)是佳点集,r即佳点。
3
求解约束优化问题的改进粒子群优化算法
因为一些求解问题特殊的缘故,种群粒子初始化时过于
集中,而且粒子群优化算法在搜索过程中易于陷入局部极值,
因此本文引入佳点集理论初始化种群粒子,使得种群粒子分布均匀,协同技术让种群之间保持通信从而使种群避免陷入局部极值,因而本文算法鲁棒性更强。3.1协进化理论
在运用协进化粒子群求解约束优化问题中,两类种群将
被使用到。特别地,一类被定义为拥有鸩个粒子的单种群S”nrm:,其包含鸩个自适应罚因子;另一类被定义为均拥有M1个粒子的多种群(S伽orm¨,s伽}m”,…,s埘nrml.村,),其被
用于平行地搜索最优决策解。种群.s甜nrm:中的第J个粒子对应着多种群中的Js埘orm¨,种群s”orm。,的每一个粒子代表一组解‘63”。
在协进化迭代过程中,以种群5埘Ⅱrm:中的第.j个粒子为基础,.s埘nrm。,将使用粒子群优化算法进化G,代,进而计算
Js埘彻竹:每一个粒子的适应度值,待全部评价完后,种群
Js圳nrm:将再使用粒子群优化算法进化G:代。
特别地,种群胁orm。中的第i个粒子将运用式(6)进行
适应度评价。
F。(石)=Z(石)+5“m—口ioz×∞l+m£m—掣ioz×∞2
(6)
其中:f(茁)为第i个粒子的目标函数值,sMm』iof表示违反约束量的总和,nMm』i02表示违反约束的总数目,山。和∞:即
是种群Js埘nrm:的第j个粒子对应维的值。其中:
Ⅳ
s啪,』捌:∑甑(石);V昏(省)>o
(7)
这里Ⅳ表示不等式数目。
对于种群5埘orm:的第j个粒子,进化G,代后。
1)如果种群s”orm。中至少存在一个可行解,则种群s叫orm:的第,个粒子的适应度值为:
P(哆)2意盏一胁m重施批
V,
(8)
其中:∑厶础。为种群s”。rm,。所有可行解的目标函数值的
和,n“m—角。5洲e为种群5加。rml『所有可行解的总的数目‘8。。
2)如果种群S训orm,,中没有存在一个可行解,则种群s训口rm:的第J个粒子的适应度值为:
P(B)
:m。。(P删耐)+甓一∑凡Hm』i。z(9)
一ax(P一+专=i一∑肌M幻“9)
其中:max(P。村)表示种群s埘orm:中所有有效粒子的最大适应度值。
3.2改进算法的基本流程
改进粒子群优化算法(ImpmvedPanicle
swa瑚
0ptimization,IPs0)的基本流程如下所示。
步骤1
初始化各个参数:基于佳点集理论产生种群
.s叫nrmll,将|s彬nrmll复制坞份,形成多种群_s埘ormll,
5ztJⅡrml.2’…,Js|tJorml.舶,初始化s埘orm2,两种群的规模分别为
肘。、鸩,两种群的最大迭代次数分别为G。、G2,等式约束精度
为A,两种群的迭代计算器分别为z、£。
步骤2满足迭代条件(即当前迭代变量z满足条件z=
Q时),输出所有种群勘Ⅱrm¨的最优值,其中歹=1,2,…,鸩;否则进入步骤3。
步骤3满足迭代条件(即当前迭代变量f满足条件£=
G,时),计算种群鼬orm:中所有粒子的适应度值;否则:
1)所有种群胁orm。,以曰,作为罚因子,用PS0迭代进
化。
2)f=£+1,返回步骤2。
步骤4使用Ps0算法继续进化s训nrm,。步骤5令z=z+1,#=O,返回步骤2。
4数值实验与仿真
本文将运用改进的协同粒子群优化算法对5个标准约束优化函数进行仿真实验。实验环境参数设置如下:联想
M630E,corei5,4
GB内存,1TB硬盘空间,windows7,Matlab
2008a。
该文选用标准的约束优化问题如下:
1)min八髫)=5.3578547戈;+o.8356891并1省5+
37.293239戈,一4.791141
s.t.0≤85.334407+0.0056858。2石5+
0.0006262。l石4一O.0022053石,算s≤9290≤80.51249+0.0071317“2x5+
O.0029955戈l戈2+0.0021813%戈5≤11020≤9.300961+0.0047026扎戈5+
0.0012547菇lx3+0.0019085石3戈4≤25
78≤戈.≤102,33≤%≤45,
27≤龙,≤45:i=3.4。5
2)min八z)=(髫1—10)3+(并2—20)3
万方数据
第12期
李妮等:求解约束优化的改进粒子群优化算法
3321
s.t.(髫1—5)2+(省2—5)2—100≥0
法与著名算法协同进化粒子群(co—evolutionary胁icleswa珊
一(省1—6)2一(戈2—5)2+82.81≥0
0ptimization,cPs0)算法’6婵9、自适应适应度规划(se水
13≤茗1≤100;0≤石2≤100
AdaptiveFitness
Fomulation,sAFF)‘91、简单多群体进化策略
(SimpleMulti—membeTed
Evolution
strategy,SMES)o”o、随机
排序策略(stochasticRanking,sR)¨“、Pareto排序进化策略
s.t.薪一茗2+1≤o
。m吣卜譬等
(ParetoArchivedEv01utionarystrategy,PAEs)¨副、遗传算法
1一zl+(*2—4)2≤0
(Genetjc
Algorithm,
GA)‘13|、Belegundu[1引、
矗rom[15|、
0≤搿l≤10;0≤“2≤10
coello‘1叫等算法进行比较,所得结果如表l所示。实验仿真4)max以茗)=(100一(戈l一5)2一(戈2—5)2一
程序对每一个实例问题独立运行30次,算法所设参数如下所
(弘一5)2)/100
述,种群跏口,m:.,的粒子数膨,=50,种群|s埘a,m:的粒子数s.t.(髫l—p)2+(石2一g)2+(戈3一r)2—0.0625≤0
肘2=30,种群S埘orml『迭代步数设为Gl=50,种群鼬8糯2
0≤戈i≤10;!=1,2,3,p,q,r=1,2,…,9
的迭代步数设为G2=30,等式约束精度设为A=lE一07,s.¨一赫≤o
5)min,(x)=(x3+2)x2%;
c。=1.4962,c:=1.4962,惯性权因子随迭代次数呈线性变化,其值∞∈[0.4,o.9]。表1给出了本文算法与其他算法的比较结果。
4戈;一茗l戈212566(石2石;一戈;)
+褫一1≤u
+百‰一1≤o
从表1可以看出,本文算法在各个标准约束函数中所求
140.45戈,
得的最优值均已接近理论最优值。特别地,在例l、例3、例4、1一——_—』≤0
z;%
例5中,所求得的最优值均达到理论最优值,IPs0在30次独妥娑一1≤oI.5…
立运行的结果中,方差结果均接近0,表明该算法既比四种经典算法sAFF、sMEs、sR和GA性能要优,又比5种改进算法o.005≤茹l≤2,0.25≤戈2≤1.3,2≤戈3≤15
cPso、PAEs、Bel89undu、Arora和Coello等算法在求解约束优将本文算法标记为IPs0,针对以上5个实例,将IPsO算
化问题方面精度更高,鲁棒性更强。
表1
IPsO与其他算法的仿真结果比较表
5结语
言萋套鋈墓芸曩差墨萎翥霎荔嚣纂篙|i'名篙篓茎慧茬:鬈差
本文算法针对初始种群时粒子过度集中造成种群的多样更高,鲁棒性更强,为约束优化问题的解决提供了一种新的行性不够以及基本粒子群优化算法在迭代过程中容易陷入局部
之有效的方法。
极值的缺陷,提出了一种改进的粒子群优化算法——基于佳
(下转第3325页)
万方数据
第12期
段其昌等:加强学习与联想记忆的粒子群优化算法
3325
适当小的联想记忆有效因子乒,即可。其巾玉+玉一。=1。
swaHn
t11cory【c】//proceedi“gs
ofthe6thIntemationalSymposiuIIl
3)对比图1(a)、图2(a)可知,SLAM—PS0的on
MicmMachineandHumanScience.Piscataway:IEEE,1995:
Ave(E二num6er)明显比标准Ps0的Ave(E』um6er)小很多。39—43.说明sLAM-Ps0比标准PSO的收敛速度更快,且在搜索多维【2]
KENNEDY
J,EBERHA耵R
C.Particle
sw蛐opⅡmizationfC1//
空问时方向性、目的性更强。
ProceedingsofIEEEIntemationalConferenceon
NeuralNetworks.
Piscataway:IEEE,1995:1942—1948.
4)对比图l(b)、图2(b)可知,SLAM—PS0的
[3]徐小平,钱富才,王峰.应用速度变异粒子群的系统辨识方法std(E二num6er)明显比标准Ps0的std(E』Mm6er)小很多。
研究[j].计算机工程与应用,2008,44(I):31—34.
说明sLAM-PS0对维数的敏感度比Ps0低很多,在优化多维
[4]
SHIY,EBERHARTRC.Empiricalstudy0fparticle
sw枷optimi—
函数时SLAM—PS0比标准Ps0具有明显的优势。
zation[C]//Proceedi“gsoftheIEEECo“g,ess
on
Evolutionary
5)由图3的对比可知,除Rastrigin函数外,Ps0基于其Computation,
Washi“gton,
DC:
IEEEC01nputerSociety,
1999:
他三个基准函数(Sphere、Griewank、Schaffer)的测试均陷入了1945—1950,
局部最优,无法成功收敛到规定的阈值范围以内,从而形成了[5]
姜建国,田曼,王向前,等.采用扰动加速因子的自适应粒子早熟收敛。而SLAM—PS0基于四个基准函数的测试则均较快群优化算法【J].西安电子科技大学学报,2012,39(4):93一
地收敛到了最优位置或者规定的阈值范围之内。说明SLAM.101.
PS0引入的追优避差操作保持了种群的多样性,克服了早熟
[6]CHENGUIMIN,HUANGXINB0,JIAJIANYUAN.以oZ.Natural
exponentm
inertia
weight
strat。gy
in
paIticleswanll叩timization
收敛,实现了局部与全局搜索的平衡。【C]//Pmceedi“gs
ofthe6thworldco”gress
on
InfelligentControl
3
结语
andAutomation.Piscataway:IEEE,2006:3672—3675,
[7]
高鹰,谢胜利.基于模拟退火的粒子群优化算法【J].计算机工
本文提出了加强学习与联想记忆的粒子群优化算法程与应用,2004.47(4):46—49.
(sLAM—PsO),算法对认知部分及社会部分的最优信息、最差【8】
孙逊,章卫国,尹伟,等.基于免疫粒子群算法的飞行控制器参信息分别赋予不同的学习因子,以提高算法的学习能力;每个数寻优[J】.系统仿真学报,2007,19(12):2765—2767.
粒子联想记忆其历史最优、最差信息,来克服在多维搜索中方[9]
KADIRKAMANATHANV,SELVARAJAHK,FLEMINGPJ.Sta—向性差、目的性弱的缺点;引入追优避差的原则来改变传统粒bilityanalysisoftheparticledynamicsinparticle
swann
optimizer
子群算法只追逐最优的单向性,保持种群的多样性,克服早熟fj】.IEEETransaceions
on
Ev01utionaryComputat诂n,2006,
lO
f31:245—255.
收敛。将sLAM—Ps0与标准Ps0算法基于基准测试函数进【10]陈贵敏,贾建援,韩琪.粒子群优化算法的惯性权值递减策略研
行对比测试,仿真结果表明sLAM—Ps0相比标准Ps0具有明究[J】.西安交通大学学报,2006,40(1):53—56.
显的优势:加快了收敛速度,克服了早熟收敛,提高了搜索精冯翔,陈国龙,郭文忠.粒子群优化算法中加速因子的设置与试度和寻优成功率,在搜索多维空间时方向性、目的性更强,从验分析【J].集美大学学报,2006,1l(2):146一151.
而验证了SLAM—PS0算法的有效性。
[121
FOGELDB,BEYERHG.Anoteon
theempiricalevaluationof
参考文献:
intel丁nediaterecomhination
fJ】.Ev01ulionary
computatioR,1996,3
[1]
EBERHARTRC,KENNEDYJ.
A
new
optimlzerusingparticle
f41:491—495.
(上接第3321页)参考文献:
constmined
oPtimization【j】.
IEEETransactions
on
EvolutionaIy
[1】
KENNEDYJ,EBERHARTRC.Particleswannoptimization[C]//Computation,2003,7(5):445—455.
ProceedmgsofIEEEIntemationalConferenceon
NeuralNetworks.
[叫
MEZURA—MONTESE,COELL0CAC.
AsimplemulIi・mem—
Piscataway:IEEE,1995:1942一1948.
beredevolulionstrategy【os01veconst趣inedoptimizati。nproblems
[2]
陈志敏.薄煜明,吴盘龙,等.基于新型粒子群优化粒子滤波的故【J】.
IEEE‘Ihnsactions
on
Ev01utionaryC0mpulation,
2005,9
障诊断方法[J].计算机应用,2012,32(2):432—435
f11:1—17.
[3]
张其亮,陈永生,韩斌,等.改进的粒子群算法求解置换流水车间[¨
RUNARSSONTP,YA0X.StoPhas“cranki“gforconstrainedev—
调度同题【j].计算机应用,2012,32(4):1022一】024,
olu士iona『y
oPlimization【j】.
IEEE
Transacti。ns
on
Evoiutio“ary
【4】
张斌,毛剑琳,李海平,等.群混合算法应用于异构传感网络节点Computation,2000,4(3):284—294.
的优化部署[J].计算机应用,2012,32(5):1228—1231.
[
引
zHOU
YONGQuAN,PEISHENGYu.Aneffectivead8ptivemulti・
[5]
李蜀瑜.基于Qos和模糊粒子群优化的语义web服务发现【J].objective
particleswarrnformultimodaIconstrainedfunccionoptimi-
计算机应用,2012,32(5):1347一1350.
zatioll【j】.JoumalofComPuters,20lO,5(8):1144一1151.
[6]HE
QIE,wANG
LING.An栅cientco—evolutionary
particle
swa舢
[习
梁昔明,秦浩宇,龙文.一种求解约束优化问题的遗传算法optimi2ationforconstr面nede“gineedngdesigned
problems[J].Engi-
[J].计算机工程,2叭O,36(14):147一149.
neeringApplicationsofArtificial
Intelligence,2007,20(1):89—
[卅
RUNARSSONTP.YA0X.SearchKasesinconstrainedevolution一
99.
8ry
optimizacion[J].IEEETransactions
on
Systems,
Man,
Cyber—
【7】
张铃,张拔.佳点集遗传算法【J].计算机学报,2001,24(9):917
nctics,2005,35(2):233—243.
—919,
[习
KALYANMOYD.0ptimaldesign“aweldedbeamviagenetica1一
[8]
HE
QIE,wANGLING.Ahybridparticleswanl】optimizationwith
a
go—thms[J】.AIAAJoumal,199l,29(11):2013—2015.
feasibility-basednlleforconstmined
optimization[J】.Applied
Ma【h—
[印
CARLOSA,COELL0COELLO.Constraint-handingingenetical-ematicsand
computation,2007,186(2):1407—1422.
gorithmsthroughthe
use
ofdominance_basedtoumamentselection
[9]
FARMANIR,WRIGHTJA.Sel■adaptive6tness
f0珊ulation
for
[J】.Advanced
Engineedng
Infomatics,2002.16(3):193—203.
求解约束优化的改进粒子群优化算法
作者:作者单位:刊名:英文刊名:年,卷(期):被引用次数:
李妮, 欧阳艾嘉, 李肯立, LI Ni, OUYANG Ai-jia, LI Ken-li
李妮,LI Ni(运城学院公共计算机教学部,山西运城,044000), 欧阳艾嘉,李肯立,OUYANG Ai-jia,LI Ken-li(湖南大学信息科学与工程学院,长沙,410082)计算机应用
Journal of Computer Applications2012,32(12)1次
参考文献(16条)
1. KENNEDY J;EBERHART R C Particle swarm optimization 1995
2. 陈志敏;薄煜明;吴盘龙 基于新型粒子群优化粒子滤波的故障诊断方法[期刊论文]-计算机应用 2012(02)3. 张其亮;陈永生;韩斌 改进的粒子群算法求解置换流水车间调度问题[期刊论文]-计算机应用 2012(04)4. 张斌;毛剑琳;李海平 群混合算法应用于异构传感网络节点的优化部署[期刊论文]-计算机应用 2012(05)5. 李蜀瑜 基于QoS和模糊粒子群优化的语义Web服务发现[期刊论文]-计算机应用 2012(05)
6. HE QIE;WANG LING An efficient co-evolutionary particle swarm optimization for constrained engineering designed problems[外文期刊] 2007(01)7. 张铃;张拔 佳点集遗传算法[期刊论文]-计算机学报 2001(09)
8. HE QIE;WANG LING A hybrid particle swarm optimization with a feasibility-based rule for constrained optimization[外文期刊] 2007(02)9. FARMANI R;WRIGHT J A Self-adaptive fitness formulation for constrained optimization[外文期刊] 2003(05)
10. MEZURA-MONTES E;COELLO C A C A simple multi-membered evolution strategy to solve constrained optimization problems 2005(01)11. RUNARSSON T P;YAO X Stochastic ranking for constrained evolutionary optimization[外文期刊] 2000(03)
12. ZHOU YONGQUAN;PEI SHENGYU An effective adaptive multiobjective particle swarm for multimodal constrained function optimization 2010(08)13. 梁昔明;秦浩宇;龙文 一种求解约束优化问题的遗传算法[期刊论文]-计算机工程 2010(14)
14. RUNARSSON TP;YAO X Search biases in constrained evolutionary optimization[外文期刊] 2005(02)15. KALYANMOY D Optimal design of a welded beam via genetic algorithms 1991(11)
16. CARLOS A;COELLO COELLO Constraint-handing in genetic algorithms through the use of dominance-based tournament selection 2002(03)
引证文献(1条)
1. 彭硕. 欧阳艾嘉. 乐光学. 贺明华. 周旭 求解高维函数的改进萤火虫群优化算法[期刊论文]-计算机应用 2013(8)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_jsjyy201212013.aspx
万方数据
Jo唧al
ofComputerApplications
ISSN1001—908l
2012一12一Ol
计算机应用,2012,32(12):3319—3321
CODENJYIIDU
ht‘p://www.joca.cn
文章编号:1001—9081(2012)12—3319—03
doi:10.3724/SP.J.1087.2012.03319
求解约束优化的改进粒子群优化算法
李妮r,欧阳艾嘉2,李肯立2
(1.运城学院公共计算机教学部,山西运城044000;
2,湖南大学信息科学与工程学院,长沙410082)
(¥通信作者电子邮箱lin订98l@yeah.net)
摘要:针对种群初始化时粒子过于集中和基本粒子群算法搜索精度不高的缺陷,提出了一种求解约束优化问题的改进粒子群算法。该算法引入佳点集技术来优化种群的初始粒子,使种群粒子初始化时分布均匀,因而种群具有多样性,不会陷入局部极值;同时使用协同进化技术使双种群之闻保持通信,从而提高算法的搜索精度。仿真实验结果表明:将该算法用于5个基准测试函数,该算法均获得了理论最优解,其中有4个函数的测试方差为o。该算法提高了计算精度且鲁棒性强,可以广泛应用于其他约束优化问题中。
关键词:约束优化;佳点集;粒子群优化;协同进化
中图分类号:TPl8文献标志码:A
Improvedparticleswarmoptimizationforconstrainedoptimizationfu眦tions
UNiP,0UYANGAi—iia2。LIKen.1i2
(1.PM62icCDmpH£er
n。c^i蟛D印nn砌n£,hnc^肌g‰泐邢毗地眦砘增ShⅡ础i044000,吼in口:
2.鼢oof矿,咖r,加如nsciew咖柑E嚼珊e矗碍肌凇n踟妇您咄吼n咿胁肌∞n410082,鳓i眦)
Abstract:TooVercometheweaknessofover.concentr乱ionwhenthepopulationofPanicle
Swa硼0PIjmization(PS0)is
initializedandthesearchprecisionofbasicPS0is
not
hi曲,an
Impmved
PSO(IPs0)forconstrajnedoptiHlizationproblems
was
proposed.
AtechniqueofGoodPoint
set(GPs)
邶introduced
to
distdbutetheinitializedparticles
evenly
andthe
populationwithdiversity
would
not
faUinto
the
10cal
extremum.Co-evolutionaq
melhod
was
milized
to
main【氲n
communicationbetweenthetwopopuIations;therebytl】esearch
accuracy
ofPSOwasincreased.
Thesimulationresults
indicatethat,thepmposedalgorithmobtainsIhetheoreticaloptimals01utionson山etest
offivebenchmarkfunctionsusedin
thepaperandthestatisticalvariancesoffourofthemare
0.
Theproposeda190^thmimprovesthecalculationaccura。yand
robustnessandit
can
bewidelyusedintheconstrainedoptimizationproblems.
Keywords:constminedoptimization;GoodPoint
Set(GPS);ParticleSwam0ptimization(PS0);
co—evolution
0
引言
提出一种基于佳点集理论的协同进化粒子群优化算法,用于求解约束优化问题。该方法既能使得初始种群粒子分布均粒子群优化(Panicleswa瑚0ptimizalion,Ps0)…算法是
匀,又能使粒子避免陷人局部极值,从而提高收敛速度。
一种被广泛运用于求饵非线性优化问题的方法,它最初的原1
理是受鸟群活动和群体觅食行为的启发而得出的。许多诸如约束优化问题的描述
约束优化的工程问题都能够求解。到目前为止,罚函数法困一般地,一个约束优化问题可以描述如下:为其简单,易实现等特点而被广泛应用,然而,罚函数法经常min八x)
(1)
难以设置合适的罚因子和自适应机制。区别于罚函数法,协同s.t,g,(卫)≤0,j=1,2,…,£
进化粒子群优化算法是一种求解约束优化问题的有效方法。
^,(z)=O,j=Z+1,f+2,…,m
粒子群优化算法是于1995年提出的一种基于种群的搜
其中:x=(z。,算:,…,戈。)为自变量向量;相应地,置∈[z。,索技术。它是一种应用非常广泛的群智能算法,已经被成功地];以工)、毋(x)、无,(z)都是n维欧式空间函数。八工)作为目
地用来解决故障诊断问题。1、置换流水线车间调度问题"o、标函数;g“x)作为第j个不等式约束条件;^,(J)作为第,个等式约束条件。这单,等式约束条件可以化为两个不等式约
异构传感器网络节点的优化部署问题”。和语义web服务发束条件:
现问题∞3等。相比遗传算法,粒子群优化算法有着一些特f丘,(工)≤A
质,诸如,种群粒子有着记忆能力,使得粒子能保持优质解,而i:^.(z)≤A
遗传算法,一旦种群改变,先前的解也会被破坏;粒子群个体其中:给定精度A,是一个足够小的常数。
之问相互共享信息。另一方面,类似于遗传算法,粒子群优化算法也易于陷入局部极值。协同进化粒子群优化算法已经被2
基本算法
证明是一种比较有效的解决约束优化问题的有效方法。6J,但
2.1
粒子群优化算法基本原理
是由于其种群的多样性不够,容易陷入局部极值。因此,本文
粒子群优化算法最初是由美国两位科学家Kennedy和
收稿日期:2012一07—24;修回日期:2012・08—31。
基金项目:国家自然科学基金重大研究计划项目(90715029);国家自然科学基金资助项目(60603053,61070057)。
作者简介:李妮(1981一),女,山西临汾人,讲师,硕士,主要研究方向:智能算法;欧阳艾嘉(1978一),男,湖南娄底人,讲师,博士,主要研究方向:并行计算;李肯立(1971一),男,湖南娄底人,教授,博士,主要研究方向:并行计算。
3320
计算机应用
第32卷
万方数据
Eberhan提出的模拟鸟群觅食行为的随机优化方法,它应用于神经网络训练、函数优化等方面。
令s为粒子空间维度大小,那么第i个粒子有如下性质。
在探索空间中,粒子当前速度V=h"”∞,…,%.。],当前位
置墨=[戈¨,t∞…,戈。];每一个粒子在f时刻都有其局部最优位置y。=[y¨,儿∞…,y。];第,次迭代时全局最优位置标
记为多,。在每一次迭代,种群中的每一粒子都按照式(2)和
(3)进行更新。假设种群包含n个粒子,r。Eu(0,1),r:Eu(0,1)是两个(O,1)的随机数。
口;,J(£+1)=∞口。,J(£)+c1r1[y。J(f)一石;J(f)]十
c:r:[夕。(J)一x¨(t)]
(2)
其中:,∈{1,2,…,n},”。是第i个粒子的第,维上的速度,c。和c:为常数,称为加速度参数,∞称为惯性权因子。粒子新的位置可使用式(3)来计算。
戈。(t十1)=z。(f)+口。(f+1);,=1,2,…,凡
(3)
个体局部最优位置由式(4)来更新:
l,。(£+1):f一(‘),
厂(置(‘+1))≥八一(‘))
‘
【x;(t+1),以x。(£+1))<八t(£))
(4)
全局最优位置歹则定义为,
多(£+1)=a。gmin,(t(t+1));1≤i≤n
(5)
2.2佳点集理论
文献[7]已经从理论和实验证明佳点集方法的功能和优点是能够使初始微粒在目标空间中均匀地分布,佳点集的定
义‘7㈨如下。
定义1佳点集。
令r∈e,占为任意小的非负数,偏差P。(后)={({r,x%},{r:×Jj}},…,{r。×矗}),☆=1,2,…,n},若满足咖(凡)=c(r,8)n。”,则称P。(☆)是佳点集,r即佳点。
3
求解约束优化问题的改进粒子群优化算法
因为一些求解问题特殊的缘故,种群粒子初始化时过于
集中,而且粒子群优化算法在搜索过程中易于陷入局部极值,
因此本文引入佳点集理论初始化种群粒子,使得种群粒子分布均匀,协同技术让种群之间保持通信从而使种群避免陷入局部极值,因而本文算法鲁棒性更强。3.1协进化理论
在运用协进化粒子群求解约束优化问题中,两类种群将
被使用到。特别地,一类被定义为拥有鸩个粒子的单种群S”nrm:,其包含鸩个自适应罚因子;另一类被定义为均拥有M1个粒子的多种群(S伽orm¨,s伽}m”,…,s埘nrml.村,),其被
用于平行地搜索最优决策解。种群.s甜nrm:中的第J个粒子对应着多种群中的Js埘orm¨,种群s”orm。,的每一个粒子代表一组解‘63”。
在协进化迭代过程中,以种群5埘Ⅱrm:中的第.j个粒子为基础,.s埘nrm。,将使用粒子群优化算法进化G,代,进而计算
Js埘彻竹:每一个粒子的适应度值,待全部评价完后,种群
Js圳nrm:将再使用粒子群优化算法进化G:代。
特别地,种群胁orm。中的第i个粒子将运用式(6)进行
适应度评价。
F。(石)=Z(石)+5“m—口ioz×∞l+m£m—掣ioz×∞2
(6)
其中:f(茁)为第i个粒子的目标函数值,sMm』iof表示违反约束量的总和,nMm』i02表示违反约束的总数目,山。和∞:即
是种群Js埘nrm:的第j个粒子对应维的值。其中:
Ⅳ
s啪,』捌:∑甑(石);V昏(省)>o
(7)
这里Ⅳ表示不等式数目。
对于种群5埘orm:的第j个粒子,进化G,代后。
1)如果种群s”orm。中至少存在一个可行解,则种群s叫orm:的第,个粒子的适应度值为:
P(哆)2意盏一胁m重施批
V,
(8)
其中:∑厶础。为种群s”。rm,。所有可行解的目标函数值的
和,n“m—角。5洲e为种群5加。rml『所有可行解的总的数目‘8。。
2)如果种群S训orm,,中没有存在一个可行解,则种群s训口rm:的第J个粒子的适应度值为:
P(B)
:m。。(P删耐)+甓一∑凡Hm』i。z(9)
一ax(P一+专=i一∑肌M幻“9)
其中:max(P。村)表示种群s埘orm:中所有有效粒子的最大适应度值。
3.2改进算法的基本流程
改进粒子群优化算法(ImpmvedPanicle
swa瑚
0ptimization,IPs0)的基本流程如下所示。
步骤1
初始化各个参数:基于佳点集理论产生种群
.s叫nrmll,将|s彬nrmll复制坞份,形成多种群_s埘ormll,
5ztJⅡrml.2’…,Js|tJorml.舶,初始化s埘orm2,两种群的规模分别为
肘。、鸩,两种群的最大迭代次数分别为G。、G2,等式约束精度
为A,两种群的迭代计算器分别为z、£。
步骤2满足迭代条件(即当前迭代变量z满足条件z=
Q时),输出所有种群勘Ⅱrm¨的最优值,其中歹=1,2,…,鸩;否则进入步骤3。
步骤3满足迭代条件(即当前迭代变量f满足条件£=
G,时),计算种群鼬orm:中所有粒子的适应度值;否则:
1)所有种群胁orm。,以曰,作为罚因子,用PS0迭代进
化。
2)f=£+1,返回步骤2。
步骤4使用Ps0算法继续进化s训nrm,。步骤5令z=z+1,#=O,返回步骤2。
4数值实验与仿真
本文将运用改进的协同粒子群优化算法对5个标准约束优化函数进行仿真实验。实验环境参数设置如下:联想
M630E,corei5,4
GB内存,1TB硬盘空间,windows7,Matlab
2008a。
该文选用标准的约束优化问题如下:
1)min八髫)=5.3578547戈;+o.8356891并1省5+
37.293239戈,一4.791141
s.t.0≤85.334407+0.0056858。2石5+
0.0006262。l石4一O.0022053石,算s≤9290≤80.51249+0.0071317“2x5+
O.0029955戈l戈2+0.0021813%戈5≤11020≤9.300961+0.0047026扎戈5+
0.0012547菇lx3+0.0019085石3戈4≤25
78≤戈.≤102,33≤%≤45,
27≤龙,≤45:i=3.4。5
2)min八z)=(髫1—10)3+(并2—20)3
万方数据
第12期
李妮等:求解约束优化的改进粒子群优化算法
3321
s.t.(髫1—5)2+(省2—5)2—100≥0
法与著名算法协同进化粒子群(co—evolutionary胁icleswa珊
一(省1—6)2一(戈2—5)2+82.81≥0
0ptimization,cPs0)算法’6婵9、自适应适应度规划(se水
13≤茗1≤100;0≤石2≤100
AdaptiveFitness
Fomulation,sAFF)‘91、简单多群体进化策略
(SimpleMulti—membeTed
Evolution
strategy,SMES)o”o、随机
排序策略(stochasticRanking,sR)¨“、Pareto排序进化策略
s.t.薪一茗2+1≤o
。m吣卜譬等
(ParetoArchivedEv01utionarystrategy,PAEs)¨副、遗传算法
1一zl+(*2—4)2≤0
(Genetjc
Algorithm,
GA)‘13|、Belegundu[1引、
矗rom[15|、
0≤搿l≤10;0≤“2≤10
coello‘1叫等算法进行比较,所得结果如表l所示。实验仿真4)max以茗)=(100一(戈l一5)2一(戈2—5)2一
程序对每一个实例问题独立运行30次,算法所设参数如下所
(弘一5)2)/100
述,种群跏口,m:.,的粒子数膨,=50,种群|s埘a,m:的粒子数s.t.(髫l—p)2+(石2一g)2+(戈3一r)2—0.0625≤0
肘2=30,种群S埘orml『迭代步数设为Gl=50,种群鼬8糯2
0≤戈i≤10;!=1,2,3,p,q,r=1,2,…,9
的迭代步数设为G2=30,等式约束精度设为A=lE一07,s.¨一赫≤o
5)min,(x)=(x3+2)x2%;
c。=1.4962,c:=1.4962,惯性权因子随迭代次数呈线性变化,其值∞∈[0.4,o.9]。表1给出了本文算法与其他算法的比较结果。
4戈;一茗l戈212566(石2石;一戈;)
+褫一1≤u
+百‰一1≤o
从表1可以看出,本文算法在各个标准约束函数中所求
140.45戈,
得的最优值均已接近理论最优值。特别地,在例l、例3、例4、1一——_—』≤0
z;%
例5中,所求得的最优值均达到理论最优值,IPs0在30次独妥娑一1≤oI.5…
立运行的结果中,方差结果均接近0,表明该算法既比四种经典算法sAFF、sMEs、sR和GA性能要优,又比5种改进算法o.005≤茹l≤2,0.25≤戈2≤1.3,2≤戈3≤15
cPso、PAEs、Bel89undu、Arora和Coello等算法在求解约束优将本文算法标记为IPs0,针对以上5个实例,将IPsO算
化问题方面精度更高,鲁棒性更强。
表1
IPsO与其他算法的仿真结果比较表
5结语
言萋套鋈墓芸曩差墨萎翥霎荔嚣纂篙|i'名篙篓茎慧茬:鬈差
本文算法针对初始种群时粒子过度集中造成种群的多样更高,鲁棒性更强,为约束优化问题的解决提供了一种新的行性不够以及基本粒子群优化算法在迭代过程中容易陷入局部
之有效的方法。
极值的缺陷,提出了一种改进的粒子群优化算法——基于佳
(下转第3325页)
万方数据
第12期
段其昌等:加强学习与联想记忆的粒子群优化算法
3325
适当小的联想记忆有效因子乒,即可。其巾玉+玉一。=1。
swaHn
t11cory【c】//proceedi“gs
ofthe6thIntemationalSymposiuIIl
3)对比图1(a)、图2(a)可知,SLAM—PS0的on
MicmMachineandHumanScience.Piscataway:IEEE,1995:
Ave(E二num6er)明显比标准Ps0的Ave(E』um6er)小很多。39—43.说明sLAM-Ps0比标准PSO的收敛速度更快,且在搜索多维【2]
KENNEDY
J,EBERHA耵R
C.Particle
sw蛐opⅡmizationfC1//
空问时方向性、目的性更强。
ProceedingsofIEEEIntemationalConferenceon
NeuralNetworks.
Piscataway:IEEE,1995:1942—1948.
4)对比图l(b)、图2(b)可知,SLAM—PS0的
[3]徐小平,钱富才,王峰.应用速度变异粒子群的系统辨识方法std(E二num6er)明显比标准Ps0的std(E』Mm6er)小很多。
研究[j].计算机工程与应用,2008,44(I):31—34.
说明sLAM-PS0对维数的敏感度比Ps0低很多,在优化多维
[4]
SHIY,EBERHARTRC.Empiricalstudy0fparticle
sw枷optimi—
函数时SLAM—PS0比标准Ps0具有明显的优势。
zation[C]//Proceedi“gsoftheIEEECo“g,ess
on
Evolutionary
5)由图3的对比可知,除Rastrigin函数外,Ps0基于其Computation,
Washi“gton,
DC:
IEEEC01nputerSociety,
1999:
他三个基准函数(Sphere、Griewank、Schaffer)的测试均陷入了1945—1950,
局部最优,无法成功收敛到规定的阈值范围以内,从而形成了[5]
姜建国,田曼,王向前,等.采用扰动加速因子的自适应粒子早熟收敛。而SLAM—PS0基于四个基准函数的测试则均较快群优化算法【J].西安电子科技大学学报,2012,39(4):93一
地收敛到了最优位置或者规定的阈值范围之内。说明SLAM.101.
PS0引入的追优避差操作保持了种群的多样性,克服了早熟
[6]CHENGUIMIN,HUANGXINB0,JIAJIANYUAN.以oZ.Natural
exponentm
inertia
weight
strat。gy
in
paIticleswanll叩timization
收敛,实现了局部与全局搜索的平衡。【C]//Pmceedi“gs
ofthe6thworldco”gress
on
InfelligentControl
3
结语
andAutomation.Piscataway:IEEE,2006:3672—3675,
[7]
高鹰,谢胜利.基于模拟退火的粒子群优化算法【J].计算机工
本文提出了加强学习与联想记忆的粒子群优化算法程与应用,2004.47(4):46—49.
(sLAM—PsO),算法对认知部分及社会部分的最优信息、最差【8】
孙逊,章卫国,尹伟,等.基于免疫粒子群算法的飞行控制器参信息分别赋予不同的学习因子,以提高算法的学习能力;每个数寻优[J】.系统仿真学报,2007,19(12):2765—2767.
粒子联想记忆其历史最优、最差信息,来克服在多维搜索中方[9]
KADIRKAMANATHANV,SELVARAJAHK,FLEMINGPJ.Sta—向性差、目的性弱的缺点;引入追优避差的原则来改变传统粒bilityanalysisoftheparticledynamicsinparticle
swann
optimizer
子群算法只追逐最优的单向性,保持种群的多样性,克服早熟fj】.IEEETransaceions
on
Ev01utionaryComputat诂n,2006,
lO
f31:245—255.
收敛。将sLAM—Ps0与标准Ps0算法基于基准测试函数进【10]陈贵敏,贾建援,韩琪.粒子群优化算法的惯性权值递减策略研
行对比测试,仿真结果表明sLAM—Ps0相比标准Ps0具有明究[J】.西安交通大学学报,2006,40(1):53—56.
显的优势:加快了收敛速度,克服了早熟收敛,提高了搜索精冯翔,陈国龙,郭文忠.粒子群优化算法中加速因子的设置与试度和寻优成功率,在搜索多维空间时方向性、目的性更强,从验分析【J].集美大学学报,2006,1l(2):146一151.
而验证了SLAM—PS0算法的有效性。
[121
FOGELDB,BEYERHG.Anoteon
theempiricalevaluationof
参考文献:
intel丁nediaterecomhination
fJ】.Ev01ulionary
computatioR,1996,3
[1]
EBERHARTRC,KENNEDYJ.
A
new
optimlzerusingparticle
f41:491—495.
(上接第3321页)参考文献:
constmined
oPtimization【j】.
IEEETransactions
on
EvolutionaIy
[1】
KENNEDYJ,EBERHARTRC.Particleswannoptimization[C]//Computation,2003,7(5):445—455.
ProceedmgsofIEEEIntemationalConferenceon
NeuralNetworks.
[叫
MEZURA—MONTESE,COELL0CAC.
AsimplemulIi・mem—
Piscataway:IEEE,1995:1942一1948.
beredevolulionstrategy【os01veconst趣inedoptimizati。nproblems
[2]
陈志敏.薄煜明,吴盘龙,等.基于新型粒子群优化粒子滤波的故【J】.
IEEE‘Ihnsactions
on
Ev01utionaryC0mpulation,
2005,9
障诊断方法[J].计算机应用,2012,32(2):432—435
f11:1—17.
[3]
张其亮,陈永生,韩斌,等.改进的粒子群算法求解置换流水车间[¨
RUNARSSONTP,YA0X.StoPhas“cranki“gforconstrainedev—
调度同题【j].计算机应用,2012,32(4):1022一】024,
olu士iona『y
oPlimization【j】.
IEEE
Transacti。ns
on
Evoiutio“ary
【4】
张斌,毛剑琳,李海平,等.群混合算法应用于异构传感网络节点Computation,2000,4(3):284—294.
的优化部署[J].计算机应用,2012,32(5):1228—1231.
[
引
zHOU
YONGQuAN,PEISHENGYu.Aneffectivead8ptivemulti・
[5]
李蜀瑜.基于Qos和模糊粒子群优化的语义web服务发现【J].objective
particleswarrnformultimodaIconstrainedfunccionoptimi-
计算机应用,2012,32(5):1347一1350.
zatioll【j】.JoumalofComPuters,20lO,5(8):1144一1151.
[6]HE
QIE,wANG
LING.An栅cientco—evolutionary
particle
swa舢
[习
梁昔明,秦浩宇,龙文.一种求解约束优化问题的遗传算法optimi2ationforconstr面nede“gineedngdesigned
problems[J].Engi-
[J].计算机工程,2叭O,36(14):147一149.
neeringApplicationsofArtificial
Intelligence,2007,20(1):89—
[卅
RUNARSSONTP.YA0X.SearchKasesinconstrainedevolution一
99.
8ry
optimizacion[J].IEEETransactions
on
Systems,
Man,
Cyber—
【7】
张铃,张拔.佳点集遗传算法【J].计算机学报,2001,24(9):917
nctics,2005,35(2):233—243.
—919,
[习
KALYANMOYD.0ptimaldesign“aweldedbeamviagenetica1一
[8]
HE
QIE,wANGLING.Ahybridparticleswanl】optimizationwith
a
go—thms[J】.AIAAJoumal,199l,29(11):2013—2015.
feasibility-basednlleforconstmined
optimization[J】.Applied
Ma【h—
[印
CARLOSA,COELL0COELLO.Constraint-handingingenetical-ematicsand
computation,2007,186(2):1407—1422.
gorithmsthroughthe
use
ofdominance_basedtoumamentselection
[9]
FARMANIR,WRIGHTJA.Sel■adaptive6tness
f0珊ulation
for
[J】.Advanced
Engineedng
Infomatics,2002.16(3):193—203.
求解约束优化的改进粒子群优化算法
作者:作者单位:刊名:英文刊名:年,卷(期):被引用次数:
李妮, 欧阳艾嘉, 李肯立, LI Ni, OUYANG Ai-jia, LI Ken-li
李妮,LI Ni(运城学院公共计算机教学部,山西运城,044000), 欧阳艾嘉,李肯立,OUYANG Ai-jia,LI Ken-li(湖南大学信息科学与工程学院,长沙,410082)计算机应用
Journal of Computer Applications2012,32(12)1次
参考文献(16条)
1. KENNEDY J;EBERHART R C Particle swarm optimization 1995
2. 陈志敏;薄煜明;吴盘龙 基于新型粒子群优化粒子滤波的故障诊断方法[期刊论文]-计算机应用 2012(02)3. 张其亮;陈永生;韩斌 改进的粒子群算法求解置换流水车间调度问题[期刊论文]-计算机应用 2012(04)4. 张斌;毛剑琳;李海平 群混合算法应用于异构传感网络节点的优化部署[期刊论文]-计算机应用 2012(05)5. 李蜀瑜 基于QoS和模糊粒子群优化的语义Web服务发现[期刊论文]-计算机应用 2012(05)
6. HE QIE;WANG LING An efficient co-evolutionary particle swarm optimization for constrained engineering designed problems[外文期刊] 2007(01)7. 张铃;张拔 佳点集遗传算法[期刊论文]-计算机学报 2001(09)
8. HE QIE;WANG LING A hybrid particle swarm optimization with a feasibility-based rule for constrained optimization[外文期刊] 2007(02)9. FARMANI R;WRIGHT J A Self-adaptive fitness formulation for constrained optimization[外文期刊] 2003(05)
10. MEZURA-MONTES E;COELLO C A C A simple multi-membered evolution strategy to solve constrained optimization problems 2005(01)11. RUNARSSON T P;YAO X Stochastic ranking for constrained evolutionary optimization[外文期刊] 2000(03)
12. ZHOU YONGQUAN;PEI SHENGYU An effective adaptive multiobjective particle swarm for multimodal constrained function optimization 2010(08)13. 梁昔明;秦浩宇;龙文 一种求解约束优化问题的遗传算法[期刊论文]-计算机工程 2010(14)
14. RUNARSSON TP;YAO X Search biases in constrained evolutionary optimization[外文期刊] 2005(02)15. KALYANMOY D Optimal design of a welded beam via genetic algorithms 1991(11)
16. CARLOS A;COELLO COELLO Constraint-handing in genetic algorithms through the use of dominance-based tournament selection 2002(03)
引证文献(1条)
1. 彭硕. 欧阳艾嘉. 乐光学. 贺明华. 周旭 求解高维函数的改进萤火虫群优化算法[期刊论文]-计算机应用 2013(8)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_jsjyy201212013.aspx