×
刘天宇;焦立成;马文平;尚荣华

非线性数值问题的带协作吸引子的量子粒子群优化算法。 （英语） Zbl 1522.65104号

Commun公司。非线性科学。数字。模拟。 44, 167-183 (2017).
摘要：本文提出了一种改进的量子粒子群优化算法（CL-QPSO）来解决非线性数值问题，该算法采用一种新的协作学习策略来生成粒子的局部吸引子。局部吸引子直接决定粒子的收敛行为，在量子粒子群优化（QPSO）中起着重要作用。为了获得每个粒子有希望且有效的局部吸引子，该算法引入了协作学习策略来生成局部吸引器。协作学习策略由两个算子组成，即正交算子和比较算子。对于每个粒子，使用正交算子来发现位于其个人和全局最佳位置的有用信息，而使用比较算子来增强粒子跳出局部最优的能力。通过使用一个概率参数，这两个算子相互合作，为粒子生成局部吸引子。将CL-QPSO与一些最新的非线性数值优化函数进化算法进行了综合比较，证明了该算法的有效性。

引用于2文件

MSC公司：

65K10码 数值优化和变分技术
第68季度12 计算理论中的量子算法和复杂性
90 C59 数学规划中的近似方法和启发式

关键词：

量子粒子群算法;局部吸引器;协作学习;功能优化
PDF格式BibTeX公司 XML格式引用
\textit{T.Liu}等人，Commun。非线性科学。数字。模拟。44167-183（2017年；Zbl 1522.65104）
全文： 内政部

参考文献：

[1] 罗，J。；Jiao，L。；Lozano，J.，《基于多目标进化算法的稀疏谱聚类框架》，IEEE Trans-Evol Compute，PP，99（2015）
[2] Shang，R。；Jiao，L。；刘，F。；Ma，W.，用于mo问题的一种新的免疫克隆算法，IEEE跨进化计算，16，1，35-50（2012）
[3] Jiao，L。；刘杰。；Zhong，W.，一种用于分类的组织协同进化算法，IEEE Trans-Evolo Compute，10，1，67-80（2006）
[4] Jiao，L。；李毅。；龚，M。；Zhang，X.，用于全局优化的Quantum启发免疫克隆算法，IEEE Trans-Syst，Man，Cybern，Part B（Cybern），38，5，1234-1253（2008）
[5] Wang，H。；Jin，T。；Janson，J.，创伤系统的数据驱动代理辅助多目标进化优化，IEEE Trans-Evol Compute，PP，99（2016）
[6] 刘，T。；Jiao，L。；马伟（Ma，W.）。；马，J。；Shang，R.，基于多目标问题文化进化机制的新型量子粒子群优化，基于知识的系统，101，90-99（2016）
[7] 肯尼迪，J。；Eberhart，R.，粒子群优化，《国际神经网络会议论文集》，1942-1948（1995）
[8] Shirazi，M。；瓦坦卡，R。；Boroushaki，M。；Salarieh，H。；Alasty，A.，在存在未知参数不确定性的噪声环境中，粒子群优化在混沌同步中的应用，Commun Nonlin Sci NumerSimul，17，2，742-753（2012）
[9] 江，B。；Wang，N。；Wang，L.，多峰函数和数据聚类的年龄组拓扑粒子群优化，Commun Nonlin Sci-NumerSimul，18，11，3134-3145（2013）·Zbl 1329.90176号
[10] 陈，C。；Liao，Y.，神经模糊推理系统的Tribal粒子群优化及其预测应用，Commun Nonlin Sci-Numer Simul，19，4，914-929（2014）·Zbl 1457.93006号
[11] Bergh，F。；Engelbrecht，A.，《一种新的局部收敛粒子群优化器》，《系统、人与控制论》，2002年IEEE国际会议，第3期（2002年）
[12] Bergh，F.，《粒子群优化器分析》（2001），比勒陀利亚大学
[13] Sun，J。；冯，B。；Xu，W.，具有量子行为的粒子群优化，进化计算，2004。CEC2004.国会，1326-331（2004）
[14] Sun，J。；徐伟（Xu，W.）。；帕拉德五世。；方，W。；赖，C。；Xu，W.，量子粒子群优化的收敛分析与改进，Inf Sci，193，15，81-103（2012）
[15] 奥姆卡尔，S。；坎德瓦尔，R。；阿南斯，T。；Narayana Naik，G。；Gopalakrishnan，S.，复合材料结构多目标设计优化的量子行为粒子群优化（qpso），专家系统应用，36，8，11312-11322（2009）
[16] 方，W。；Sun，J。；吴，X。；Palade，V.，基于使用量子粒子群优化的在线系统识别的自适应网络qos控制器，软计算，19，6，1715-1725（2015）
[17] Coelho，L.，约束工程设计问题的高斯量子粒子群优化方法，专家系统应用，37，2，1676-1683（2010）
[18] 唐·D。；蔡，Y。；Xue，Y.，一种基于模因算法和内存的量子粒子群优化算法，用于连续非线性大规模问题，Inf Sci，289，162-189（2014）
[19] Sun，J。；方，W。；帕拉德五世。；吴，X。；Xu，W.，具有高斯分布局部吸引点的量子行为粒子群优化，Appl Math Comput，218,73763-3775（2011）·Zbl 1244.65089号
[20] 詹，Z。；张杰。；李毅。；Shi，Y.，正交学习粒子群优化，Evol Comput，IEEE Trans，15，6，832-847（2011）
[21] 李毅。；Xiang，R。；Jiao，L.，一种改进的合作量子粒子群优化算法，软计算，16，6，1061-1069（2012）
[22] 卢，S。；Sun，C.，具有合作-竞争协同进化的量子粒子群优化，2008年知识获取和建模国际研讨会论文集。IEEE计算机学会，593-597（2008）
[23] 蒙哥马利，D。；Montgomery，D.，实验设计与分析（2000），纽约：Wiley
[24] 胡，X。；张杰。；Zhong，J.，《采用正交设计的增强型遗传算法》，进化计算，2006年。CEC 2006。IEEE大会，3174-3181（2006）
[25] Ho，S。；Lin，H。；Liauh，W。；Ho，S.，Opso:正交粒子群优化及其在任务分配问题中的应用，Syst，Man Cybern，A部分，IEEE Trans，38，2，288-298（2008）
[26] 胡，X。；张杰。；Li，Y.，基于正交方法的蚁群搜索求解连续优化问题，计算科学技术杂志，23，1，2-18（2008）
[27] 刘，R。；牛，X。；范，J。；Mu，C。；Jiao，L.，基于正交预测模型的动态多目标优化算法，软计算，19，11，3083-3107（2015）
[28] Sun，J。；方，W。；吴，X。；帕拉德五世。；Xu，W.，《量子粒子群优化：单个粒子行为分析和参数选择》，Evol-Comput，20，3，349-393（2012）
[29] Sun，J。；徐伟（Xu，W.）。；Feng，B.，量子粒子群优化的全局搜索策略，控制论与智能系统，2004年IEEE会议，111-116（2004）
[30] 梁，Y。；Wang，Y.，一种用于全局数值优化的量化正交遗传算法，进化计算，IEEE Trans，5，1，41-53（2001）
[31] 克雷平舍克，M。；刘，S。；Mernik，M.，《进化算法的探索与开发：一项调查》，ACM Compute Surv，45，3，1-33（2013）·Zbl 1293.68251号
[32] 刘，B。；陈，Q。；张杰。；Suganthan，P。；Qu，B.，计算代价高昂的优化的问题定义和评估标准，技术代表（2013）
[33] 梁，J。；Suganthan，P。；Baskar，S.，《用于多模态函数全局优化的综合学习粒子群优化器》，进化计算，IEEE Trans，103，281-295（2006）
[34] 孟，A。；李，Z。；尹，H。；陈，S。；Guo，Z.，使用交叉搜索加速粒子群优化，Inf Sci，329，52-72（2015）
[35] Auger，A。；Hansen，N.，高级局部搜索进化算法的性能评估，进化计算，IEEE Trans，1777-1784（2005）
[36] 张杰。；Sanderson，A.，Jade：具有可选外部存档的自适应差分进化，进化计算，IEEE Trans，13，5，945-958（2009）
[37] 布雷斯特，J。；V.Zumer。；Maucec，M.，约束实参数优化中的自适应差分进化算法，进化计算，2006。CEC 2006。IEEE大会，215-222（2006）
[38] Tang，K。；Yang，P.等人。；Yao，X.，负相关搜索，IEEE J Sel Areas Commun，34，3，542-550（2016）
[39] 埃利希，I。；Rueda，J。；Wildenhues，S。；Shewarega，F.，使用单粒子mvmo解决ieee-cec 2014昂贵的优化测试问题，进化计算（cec），2014年ieee大会，1084-1091（2014）
[40] 穆勒，J。；Krityakierne，T。；Shoemaker，C.，So-mods:使用代理搜索优化高维计算成本高的多模函数，进化计算（CEC），2014年IEEE大会，1092-1099（2014）
[41] Asafuddoula，M。；Ray，M.，《无需近似即可解决cec 2014计算成本高昂的优化问题的方法》，Tech Rep（2014）
[42] Elsayed，S。；雷·T。；Sarker，R.，用于解决昂贵优化问题的具有动态参数选择的代理辅助差分进化算法，进化计算（CEC），2014年IEEE大会，1062-1068（2014）
[43] 辛格，H。；艾萨克斯，A。；Ray，T.，一种用于解决计算代价高昂的优化问题的混合代理算法（hsba），进化计算（CEC），2014年IEEE大会，1069-1075（2014）
[44] 比斯瓦斯，S。；艾塔，M。；达斯，S。；Vasilakos，A.，评估团体咨询优化器在计算开销优化的cec 2014问题上的性能，进化计算（cec），2014年IEEE大会，1076-1083（2014）
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。