×
赵新超;林文乔;张庆福

基于主成分分析和直线搜索的增强粒子群优化。 （英语） Zbl 1364.90377号

申请。数学。计算。 229, 440-456 (2014).
摘要：粒子群优化（PSO）通过线性学习策略引导其搜索方向，其中每个粒子通过其当前状态、历史最佳体验和群最佳体验之间的线性组合来更新其速度。每个粒子的当前位置可视为速度累加器。这种存储策略很容易实现，但在复杂空间中搜索时效率很低，并且对获得的启发式信息有很大的限制。因此，基于主成分分析（PCA）和线性搜索（LS），提出了一种新的PSO搜索机制（PCA-PSO），其中PCA主要用于有效挖掘有希望的主成分方向的种群信息，然后在其上使用LS策略。PCA-PSO可以继承所有粒子的大部分速度信息，将其引导到最有希望的方向，这与常规PSO的学习机制有很大区别。实验结果以及与混合PSO、pPSA、PCPSO、CLPSO、GL-25和CoDE的广泛比较表明，PCA-PSO始终显著优于某些PSO变体，并且与其他最先进的算法相比具有竞争力。

引用于1文件

MSC公司：

90 C59 数学规划中的近似方法和启发式
62H25个 因子分析和主成分；对应分析
90B40码 搜索理论

关键词：

粒子群优化;主成分分析;行搜索;信息积累;速度分集;群体智能

软件：

中国电子05
PDF格式BibTeX公司 XML格式引用
\textit{X.Zhao}等人，应用。数学。计算。229440-456（2014；Zbl 1364.90377）
全文： DOI程序

参考文献：

[1] Holland，J.，《自然和人工系统中的适应》（1992），麻省理工学院出版社：麻省理学院出版社剑桥
[2] 卡拉博加，D。；Akay，B.，人工蜂群算法的比较研究，应用。数学。计算。，214, 1, 108-132 (2009) ·Zbl 1169.65053号
[3] 达斯，S。；Suganthan，P.N.，《差异进化：最先进技术的调查》，IEEE Trans。进化。计算。，15, 1, 4-31 (2011)
[4] 莫汉，B.C。；Baskaran，R.，《综述：基于蚁群优化的几个工程领域的最新研究和实现》，专家系统。申请。，39, 4, 4618-4627 (2012)
[5] 波利·R。；肯尼迪，J。；Blackwell，T.，粒子群优化-概述，swarm Intell。，1, 1, 33-57 (2007)
[6] El-Abd，M.，一种改进的全局最佳和声搜索算法，应用。数学。计算。，222, 94-106 (2013) ·兹比尔1329.90174
[7] Banks，A。；文森特·J。；Anyakoha，C.，《粒子群优化综述》，第二部分：杂交、组合、多准则和约束优化以及指示性应用，自然计算。，7, 1, 109-124 (2008) ·Zbl 1148.68375号
[9] Liang，J.J。；秦，A.K。；Suganthan，P.N。；Baskar，S.，用于多模态函数全局优化的综合学习粒子群优化器，IEEE Trans。进化。计算。，10, 3, 281-295 (2006)
[10] Wang，H。；吴振杰。；Liu，Y.，使用广义对立学习增强粒子群优化，信息科学。，181, 4699-4714 (2011)
[11] Cho，H。；Kim，D。；奥利维拉，F。；Guikema，S.D.，《多模态问题粒子群优化中的增强物种形成》，欧洲期刊Oper。决议，21315-23（2011年）
[12] Nickabadi，A。；埃巴扎德，M.M。；Safabakhsh，R.，一种具有自适应惯性权重的新型粒子群优化算法，应用。软计算。，11, 3658-3670 (2011)
[13] 詹振华。；张杰。；李毅。；石永华，正交学习粒子群优化，IEEE Trans。进化。计算。，15, 832-847 (2011)
[14] 赵小川。；宋碧琴。；Huang，P.Y.，基于PSO的改进离散免疫优化算法，用于QoS驱动的web服务组合，应用。软计算。，12, 8, 2208-2216 (2012)
[15] Voss，M.S.，主成分粒子群优化，（2005年IEEE swarm Intelligence研讨会论文集（2005），IEEE出版社），8-10
[16] 高海霞，《应用多元统计分析》（2005），北京大学出版社
[17] Lodge，A.S.，连续体力学中的体张量场及其在聚合物神学中的应用（1974），学术出版社
[18] Lewin，K.，《社会科学领域理论》（1951），哈珀兄弟出版社
[19] Beyer，H.-G。；Schwefel，H.-P.，《进化策略——综合介绍》，《自然计算》。，1, 1, 3-52 (2002) ·Zbl 1014.68134号
[20] Pahasa，J。；Ngamroo，I.，基于粒子群算法的核主成分分析和多类支持向量机在电能质量问题分类中的应用，《国际创新计算、信息与控制杂志》，8，3（A），1523-1539（2012）
[23] Wang，Y.X。；孙海霞，《概率论与随机过程》（2003），北京邮电大学出版社
[24] 约翰逊，L.E。；里斯·R·D。；Arnold，J.T.，《线性代数导论》（2000），普伦蒂斯·霍尔公司。
[25] Jahn，J.，非线性优化理论导论（2007），施普林格·Zbl 1115.49001号
[26] Cheng，S。；Shi，Y。；Qin，Q.，《粒子群优化中归一化种群多样性的研究》，Int.J.swarm Intell。第4、1、1-34号决议（2013年）
[28] Lacevic，B。；Amaldi，E.，欧几里得空间中种群多样性测度的Ectropy，Inf.Sci。，181, 2316-2339 (2011) ·Zbl 1215.62004号
[29] 科里沃，G。；吉尔伯特，R。；Tahan，A。；Sabourin，R.，《实数编码表征的基因型多样性测量的回顾与研究》，IEEE Trans。进化。计算。，16, 5, 695-710 (2012)
[30] 赵小川，数值优化的扰动粒子群算法，应用。软计算。，10, 1, 119-124 (2010)
[32] 肯尼迪，J。；埃伯哈尔共和国。；Shi，Y.，Swarm Intelligence（2001），Morgan Kaufman：摩根·考夫曼加州旧金山
[33] Shi，Y。；Eberhart，R.C.，模糊自适应粒子群优化，（2001年进化计算大会论文集（2001），IEEE出版社），101-106
[36] 加西亚-马丁内斯，C。；Lozano，M。；Herrera，F。；莫利纳，D。；Sanchez，A.M.，《基于以父母为中心的交叉算子的全局和局部实数编码遗传算法》，Eur.J.Oper。第185、3、1088-1113号决议（2008年）·Zbl 1146.90532号
[37] Wang，Y。；蔡，Z.X。；Zhang，Q.F.，带复合试验向量生成策略和控制参数的差分进化，IEEE Trans。进化。计算。，15, 1, 55-66 (2011)
[38] Nickabadi，A。；埃巴扎德，M.M。；Safabakhsh，R.，一种具有自适应惯性权重的新型粒子群优化算法，应用。软计算。，11, 3658-3670 (2011)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。