文献类型：期刊文章

作　　者：邓先礼[1] 魏波[1] 曾辉[2] 桂凌[3] 夏学文[1]

DENG Xian-li;WEI Bo;ZENG Hui;GUI Ling;XIA Xue-wen(School of Software,East China Jiaotong University,Nanchang,Jiangxi 330013,China;Department of Computer Engineering,Xinjiang Institute of Engineering,Urumqi,Xinjiang 830023,China;School of Economics and Mangement,East China Jiaotong University,Nanchang,Jiangxi 330013,China)

机构地区：[1]华东交通大学软件学院,江西南昌330013 [2]新疆工程学院计算机工程系,新疆乌鲁木齐830023 [3]华东交通大学经济管理学院,江西南昌330013

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61663009;No.61602174;No.61763010;No.61762036);江西省交通厅科技项目(No.2017D0038);江西省教育厅自然科学基金(No.GJJ160469);新疆维吾尔自治区教育厅高校科研计划基金(No.2014JYT041606);新疆工程学院博士科研启动基金(No.2015BQJ011712)

年　　份：2018

卷　　号：46

期　　号：8

起止页码：1858-1865

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：针对标准PSO中单一社会学习模式造成的算法容易陷入局部最优和后期收敛速度慢等问题,提出了一种基于多种群的自适应迁移PSO算法(Multi-population based self-adaptive migration PSO,MSMPSO).通过融合两种常用的邻居拓扑结构,赋予个体更多的信息来源;在多个子种群并行进化的基础上,利用不同加速因子的组合赋予各子种群不同的搜索特性,进而通过周期性对子种群的历史性能进行评估,以此为基础指导个体的迁移操作,实现子种群间的协作与计算资源的合理分配,并最终提升算法的综合性能.对CEC2013测试函数的优化结果表明,MSMPSO在求解精度、收敛速度等方面均表现出较好的性能.

关 键 词：粒子群算法 社会学习 多种群 个体迁移  历史性能评估  

分 类 号：TP301]