×
程奇峰；韩雪；赵婷婷；亚达瓦利，V.S.萨尔马

通过引入粒子滤波的重采样步骤，改进了粒子群算法和邻域域算法。 （英语） Zbl 1415.90151号

J.工业管理。最佳方案。 177-198年（2019年）第1期15号.
摘要：提出了一种引入粒子滤波重采样步骤的技术，以改进典型的全局搜索算法粒子群优化（PSO）算法。如果我们为粒子定义了一种合适的权重，那么重新采样步骤可以减少低权重粒子和复制高权重粒子。为了防止粒子的同一性，重新采样步骤之后是现有的粒子变化方法。通过该技术，PSO算法在后期搜索阶段的局部搜索能力大大增强。更有趣的是，该技术还可以用于改进另一种哲学是“从邻居学习”的算法，即邻域域优化（NFO）算法。通过大量仿真，将改进算法（PSO重采样和NFO重采样）与其他元启发式算法进行了比较。实验表明，改进后的算法在收敛速度、搜索精度和鲁棒性方面都具有优越性。我们的结果还表明，从可能改进其他基于粒子的智能算法的角度来看，所提出的技术可以是通用的。

MSC公司：

90 C59 数学规划中的近似方法和启发式
68T20型 人工智能背景下的问题解决（启发式、搜索策略等）
65千5 数值数学规划方法

关键词：

重新采样步骤；粒子过滤器；PSO公司；邻域域优化；颗粒变化
PDF格式BibTeX公司 XML格式引用
\textit{Q.Cheng}等人，J.Ind.Manag。最佳方案。15，第1177-198号（2019年；兹bl 1415.90151）
全文： DOI程序

参考文献：

[1] K.Amin；M.Guerrero-Zapata，用于缓解命名数据网络中dos攻击的混合多目标RBF-PSO方法，神经计算，1511262-1282（2015）
[2] K.Amin；M.Guerrero-Zapata，基于内容中心网络中混合PSO-Kmeans算法的模糊异常检测系统，神经计算，1491253-1269（2015）
[3] M.S.Arulampalam；S.Maskell；N.戈登；T.clapp，在线非线性/非高斯贝叶斯跟踪粒子滤波器教程，IEEE信号处理汇刊，50，174-188（2002）·doi:10.1109/78.978374
[4] T.M.Blackwell；宾利，别推我！避免碰撞群，2002年进化计算大会会议记录，21691-1696（2002）·doi:10.1109/CEC.2002.1004497
[5] J.Carpenter；P.Clifford；F.Fearnhead，非线性问题的改进粒子滤波器，IEE雷达、声纳和导航论文集，146，2-7（1999）
[6] M.Clerc；J.Kennedy，多维复杂空间中的粒子群爆炸、稳定性和收敛，IEEE进化计算汇刊，658-73（2002）·doi:10.1109/4235.985692
[7] D.Crisan；A.Doucet，针对从业者的粒子滤波方法收敛结果调查，IEEE信号处理汇刊，50736-746（2002）·Zbl 1369.60015号 ·doi:10.1109/78.984773
[8] A.多塞特；S.Godsill；C.Andrieu，《贝叶斯滤波、统计与计算的序贯蒙特卡罗抽样方法》，第10期，197-208（2000）
[9] R.C.Eberhart；J.Kennedy，《使用粒子群理论的新优化器》，第六届微机械与人类科学国际研讨会论文集，39-43（1995）·doi:10.1109/MHS.1995.494215
[10] F.Glover，Tabu search-part II，ORSA Journal on Computing，2，4-32（1990）·兹比尔0771.90084 ·doi:10.1287/ijoc.2.1.4
[11] N.J.Gordon；D.J.Salmond；A.F.M.Smith，非线性/非高斯贝叶斯状态估计的新方法，雷达和信号处理，IEE Proceedings F，140，107-113（1993）·doi:10.1049/ip-f-2.1993.0015
[12] R.Greiner，《POLO:概率爬山算法》，《人工智能》，84，177-208（1996）·Zbl 1506.68093号 ·doi:10.1016/0004-3702（95）00040-2
[13] J.Grobler；A.P.Engelbrecht；G.肯德尔；S.Yadavalli，启发式空间分集控制以改进元超启发式性能，信息科学，300，49-62（2015）
[14] J.Grobler和A.P.Engelbrecht，无头鸡粒子群优化算法，Tan Y.，Shi Y.，Niu B.（编辑），《群体智能进展》。ICSI 2016。计算机科学课堂讲稿，9712（2016），350-357。
[15] J.Grobler；A.P.Engelbrecht，《粒子群优化漫游行为的可扩展性分析》，《swarm Intelligence进展》。ICSI 2017。计算机科学课堂讲稿，10385119-130（2017）·doi:10.1007/978-3-319-61824-1_13
[16] J.D.Hol；T.B.Schon；F.Gustafsson，《粒子滤波器重采样算法》，IEEE非线性统计信号处理研讨会，79-82（2006）·doi:10.1109/NSSPW.2006.4378824
[17] B.J.贾恩；H.波黑姆；W.Joachim，《进化算法的终止标准》，《第三届遗传与进化计算年会论文集》，768-775（2001）
[18] J.肯尼迪；R.C.Eberhart，粒子群优化，IEEE神经网络国际会议论文集，1942-1948（1995）·doi:10.1109/ICNN.1995.488968
[19] J.肯尼迪；R.Mendes，种群结构和粒子群性能，《2002年进化计算大会论文集》，2，1671-1676（2002）·doi:10.1109/CEC.2002.1004493
[20] S.Kirkpatrick；C.D.Gelatt；M.P.Vecchi，《模拟退火优化》，《科学》，220671-680（1983）·Zbl 1225.90162号 ·doi:10.1126/science.220.4598.671
[21] G.Kitagawa，非高斯非线性状态空间模型的蒙特卡罗滤波器和平滑器，计算与图形统计杂志，5，1-25（1996）
[22] J.Lampinen和R.Storn，差异进化，Onwubolu G，Babu BV（eds）工程中的新优化技术，（2004），123-166·兹比尔1165.90644
[23] 梁振杰；秦安科；P.N.Suganthan；S.Baskar，用于多模态函数全局优化的综合学习粒子群优化器，IEEE进化计算汇刊，10281-295（2006）·doi:10.1109/TEVC.2005.857610
[24] 刘建生；R.Chen，动态系统的序贯蒙特卡罗方法，美国统计协会杂志，93，1032-1044（1998）·Zbl 1064.65500号 ·doi:10.1080/01621459.1998.10473765
[25] R.Mendes；J.肯尼迪；J.Neves，《完全知情的粒子群：更简单，也许更好》，IEEE进化计算汇刊，8204-210（2004）·doi:10.1109/TEVC.2004.826074
[26] K.E.Parsopoulos；M.N.Vrahatis，UPSO-A统一粒子群优化方案，计算科学系列讲座，1868-873（2004）
[27] T.佩兰；K.Veeramachaneni；C.K.Mohan，基于适合度-实例比率的粒子群优化，2003年IEEE集群智能研讨会论文集，174-181（2003）·doi:10.1109/SIS.2003.1202264
[28] 石毅；R.C.Eberhart，改进的粒子群优化器，IEEE进化计算程序国际会议。IEEE计算智能世界大会，69-73（1998）·doi:10.1109/ICEC.1998.699146
[29] R.Storn；K.Price，连续空间上全局优化的差分进化简单高效启发式算法，《全局优化杂志》，11，341-359（1997）·Zbl 0888.90135号 ·doi:10.1023/A:1008202821328
[30] P.N.Suganthan，带邻域算子的粒子群优化器，1999年进化计算大会论文集，31958-1962（1999）
[31] 吴宗宪；T.W.S.Chow，使用邻域域的局部多目标优化算法，结构和多学科优化，46，853-870（2012）·Zbl 1274.90364号 ·文件编号：10.1007/s00158-012-0800-x
[32] 吴宗宪；T.W.S.Chow，合作优化的邻域域，软计算，17819-834（2013）·doi:10.1007/s00500-012-0955-9
[33] 吴宗宪；T.W.S.Chow，机组组合问题的二进制邻域场优化，IET发电传输和配电，7299-308（2013）
[34] C.杨；顾氏乳杆菌；W.Gui，带自适应变异的粒子群优化算法，计算机工程，34188-190（2008）
[35] 十、姚明；刘毅（Y.Liu）；G.M.Lin，《进化编程变得更快》，IEEE进化计算汇刊，382-102（1999）
[36] B.姚明；B.余；胡锦涛；J.Gao；M.H.Zhang，带收集站的纸箱异质车辆路径问题的改进粒子群优化，运筹学年鉴，242303-320（2016）·Zbl 1350.90014号 ·数字对象标识码：10.1007/s10479-015-1792-x
[37] T·T·赵；Q.F.Cheng；王振峰，基于改进粒子群算法的非线性模型预测控制优化，辽宁工业大学学报（自然科学版），34517-522（2015）
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。