...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>電気学会論文誌 C:電子·情報·システム部門誌 >全体最良解更新状況に応じた探索特性調節機構をもたせた新型Particle Swarm Optimizationモデル
【24h】

全体最良解更新状況に応じた探索特性調節機構をもたせた新型Particle Swarm Optimizationモデル

机译：根据总体最佳解决方案更新状态，具有搜索特征调整机制的新粒子群优化模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

EberhartとKennedyによって提案されたparticlernswarm optimization（PSO）は，非線形最適化問題rnの大域的最適解を数値的に発見できる有力な手法として注rn目を集めている。標準的なPSOの探索モデルは，rn（I）複数個の探索点（PSOでは特に「個体」と称されrnる）がそれぞれ現時点より過去に発見した「個体最rn良解（pbest）」rn（ii）個体群が現時点より過去に発見した「全体最良解rn（gbest）」.%This paper proposes a novel particle swarm optimization (PSO) model focused on updating the global best solution (gbest). It is fundamentally different from the standard PSO model that gbest subordinates particles and locates them in the proposed one. Particles are generally distributed around gbest so as to search locally; however, when gbest almost stops at some point, they are forcibly moved farther away from it. The above search characteristics of the proposed model is achieved by the introduction of non-uniformly distributed random numbers and the adjustment of the distance how far to spread particles from gbest according to its velocity. It is also of advantage that the functionality of the proposed PSO model is essentially independent of the choice of its parameters. Numerical results for benchmark problems verify that for most cases the proposed model outperforms the standard PSO with the aid of Linearly Decreasing Inertia Weight Approach (LDIWA). Results also show that the proposed model is likely to work better for higher dimensional problems.
机译：Eberhart和Kennedy提出的粒子群优化（PSO）作为一种有效的方法来数值发现非线性优化问题rn的全局最优解，已引起人们的关注。标准PSO搜索模型是rn（I）“最佳” rn，它是从现在开始过去发现的多个搜索点（在PSO中，尤其是所谓的“个人”）。 （Ii）％本文提出了一种新颖的粒子群优化（PSO）模型，该模型专注于更新全局最佳解（gbest）。 gbest从属于粒子的标准PSO模型中，将其定位在建议的粒子中。通常将粒子分布在gbest周围以进行局部搜索;但是，当gbest几乎在某个点停止时，它们被迫远离它移动。通过引入非均匀分布的随机数并根据其速度调整从gbest扩散粒子到gbest的距离来实现所提出模型的搜索特性。此外，所提出PSO模型的功能是基准问题的数值结果证明，在大多数情况下，所提出的模型的性能基本上与参数的选择无关。借助线性递减惯性权重法（LDIWA）来确定标准PSO。结果还表明，所提出的模型对于较高维的问题可能更有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号