主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第9期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
申元霞,王国胤,曾传华.相关性粒子群优化模型.软件学报,2011,22(4):695-708
相关性粒子群优化模型
Correlative Particle Swarm Optimization Model
投稿时间:2009-03-26  修订日期:2009-08-26
DOI:10.3724/SP.J.1001.2011.03728
中文关键词:  粒子群优化  相关性  Copula  收敛性
英文关键词:PSO (particle swarm optimizer)  correlation  Copula  convergence
基金项目:国家自然科学基金(60773113); 重庆市杰出青年科学基金(2008BA2041); 重庆市自然科学基金重点项目(2008BA2017)
作者单位E-mail
申元霞 西南交通大学 信息科学与技术学院,四川 成都 610031
重庆邮电大学 计算机科学与技术研究所,重庆 400065
重庆文理学院 计算机学院,重庆 402160 
 
王国胤 西南交通大学 信息科学与技术学院,四川 成都 610031
重庆邮电大学 计算机科学与技术研究所,重庆 400065 
wanggy@ieee.org 
曾传华 重庆文理学院 计算机学院,重庆 402160  
摘要点击次数: 4470
全文下载次数: 4109
中文摘要:
      在粒子群优化算法中,粒子如何合理地利用自身经验信息和群体共享信息的问题一直未能有效解决.针对这一问题,基于认知论的观点,对速度更新公式中的随机因子进行了分析,建立了粒子对自身经验信息和群体共享信息认知的内在联系,提出了相关性粒子群优化模型.该模型采用Copula 函数去刻画随机因子间的相关结构,而不同的相关结构和相关性程度反映了粒子对自身经验信息和群体共享信息的利用策略的差异,同时给出了基于Gaussian Copula 的相关性粒子群优化模型的实现方法.理论上给出了随机因子间相关程度与群体多样性的关系式,表明了当随机因子间正线性相关时有利于维持群体的多样性.证明了随机因子间相关程度与算法收敛性的关系,同时给出了相关性粒子群优化模型的收敛条件.仿真实验结果表明,随机因子间相关程度的水平设置对模型的优化性能有非常显著的影响,当粒子的自身经验信息和群体共享信息被同等利用时,模型表现出优良的整体性能.
英文摘要:
      In the study of particle swarm optimization, propertly using the individual experience and social sharing information of particles has always been a problem. To solve this problem, this paper analyzes the random factors in updating the velocity eguation in the view of cognition and creates the intrinsic cognitive relation between individual experience and social sharing information. First, a correlative particle swarm optimization model is developed, which uses the Copula function to measure the dependence among random factors. In the new model, the different correlation structures and degrees of correlation between random factors can denote different strategies, which are used to process individual experience and social sharing experience. Meanwhile, this paper provides a flowchart of the correlative particle swarm optimization model, based on Gaussian Copula. Second, the relationship between the degrees of correlation and population diversity is presented, which shows that the random factors with positive linear correlation avail to maintain population diversity. Finally, the relationship between the degrees of correlation and convergence is analyzed and the convergence conditions of the correlative particle swarm optimization model are provided. Experimental simulations show that the correlation of random factors have a much greater influence on the performance of the new model, which can greatly improve convergence velocity and precision when the random factors are a completely positive linear correlation.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利