• 论文 • 上一篇    下一篇

粒子群优化与差分进化混合算法的综述与分类

辛斌1   陈杰2   

  1. 1. ``复杂系统智能控制与决策"教育部重点实验室, 北京理工大学自动化学院, 北京 100081;   2.    曼彻斯特大学商学院认知与决策科学研究中心, 曼彻斯特
  • 收稿日期:2011-06-14 出版日期:2011-09-25 发布日期:2011-11-15

辛斌, 陈杰. 粒子群优化与差分进化混合算法的综述与分类[J]. 系统科学与数学, 2011, 31(9): 1130-1150.

XIN Bin, CHEN Jie. A SURVEY AND TAXONOMY ON HYBRID ALGORITHMS BASED ON PARTICLE SWARM OPTIMIZATION AND DIFFERENTIAL EVOLUTION[J]. Journal of Systems Science and Mathematical Sciences, 2011, 31(9): 1130-1150.

A SURVEY AND TAXONOMY ON HYBRID ALGORITHMS BASED ON PARTICLE SWARM OPTIMIZATION AND DIFFERENTIAL EVOLUTION

 XIN  Bin  CHEN  Jie2   

  1. 1. Key Laboratory of Complex System Intelligent Control and Decision, Ministry of Education, School of Automation, Beijing Institute of Technology, Beijing 2.  Decision and Cognitive Sciences Research Centre, Manchester Business School, The University of Manchester, Manchester
  • Received:2011-06-14 Online:2011-09-25 Published:2011-11-15
优化算法的性能改进长期以来一直是算法研究者们追求的一个重要目标,对不同算法进行混合以期利用算法的互补优势来获得性能更优异的算法代表了一类典型的设计思想. 针对两类基于群体演化的优化算法------粒子群优化(PSO)与差分进化(DE)算法, 对基于二者的各种混合算法(DEPSO)进行了系统而全面的综述, 并在此基础上提出了一种混合策略分类方法, 对现有的各种典型DEPSO算法进行了分类, 比较了各种混合策略的异同, 并指出了一些新的研究方向和混合设计原则.
Improving the performance of optimization algorithms has long been an important pursuit of researchers. It is a typical design idea and paradigm to combine different optimizers for a synergy of their complementary advantages. Regarding two kinds of population-based evolutionary algorithms, the particle swarm optimizer (PSO) and the differential evolution (DE), we present a systematic and comprehensive survey on their hybrids (DEPSOs) in the literature and propose a taxonomy of hybridization strategies.  Based on the taxonomy, we make a classification of different DEPSOs and analyze their similarities and differences.  We also point out some new directions for future research and provide several guidelines for hybridization design of optimizers.

MR(2010)主题分类: 

()
[1] 李双琳, 刘长石. 考虑地理特征的配电网震后恢复优化模型与算法研究[J]. 系统科学与数学, 2021, 41(4): 1024-1042.
[2] 孙会霞,倪宣明,钱龙,赵慧敏. 基于长期CVaR约束的高频投资组合优化[J]. 系统科学与数学, 2021, 41(2): 344-360.
[3] 蒋洪迅, 马仁义. 面向靠桥率及道口冲突率的航班-机位指派问题优化模型及其启发式算法研究[J]. 系统科学与数学, 2021, 41(1): 75-98.
[4] 唐莉萍, 李高西, 黄应全. 非凸多目标优化问题真有效解的一个非线性标量化性质[J]. 系统科学与数学, 2021, 41(1): 197-202.
[5] 李桂君,寇晨欢,胡军,李慧嘉. 云服务资源调度机制的协同与优化研究[J]. 系统科学与数学, 2020, 40(8): 1365-1383.
[6] 张培文,吴江,汪瑜,孙宏. 机队运力配置和USApHMP问题的联合决策模型与算法[J]. 系统科学与数学, 2020, 40(8): 1432-1446.
[7] 钱艺平,林祥,吴小平. 离散时间多期机构投资者之间的竞争与资产专门化[J]. 系统科学与数学, 2020, 40(7): 1205-1223.
[8] 李萍,倪志伟,朱旭辉,宋娟. 基于改进萤火虫算法的SVR空气污染物浓度预测模型[J]. 系统科学与数学, 2020, 40(6): 1020-1036.
[9] 袁瑞萍,王慧玲,李俊韬,刘凯. 基于移动机器人的订单拣选系统货位优化模型和算法研究[J]. 系统科学与数学, 2020, 40(6): 1050-1060.
[10] 时胜男,徐勇,苏勇.  网络演化知识博弈模型与算法[J]. 系统科学与数学, 2020, 40(3): 423-433.
[11] 刘彩平. 带变动序结构的向量优化问题的$E$-最优元[J]. 系统科学与数学, 2020, 40(3): 485-494.
[12] 白天,侯旭,王典朋. 估计感度分布中位数的两阶段优化序贯试验设计方法研究[J]. 系统科学与数学, 2020, 40(2): 341-354.
[13] 龚雅键,魏先华,孟祥莺,刘宸昊. 遗传规划策略可以适用中国股票市场吗? ------基于随机性多目标遗传规划的股指交易策略研究[J]. 系统科学与数学, 2020, 40(12): 2381-2400.
[14] 王雷,王欣,刘德海,胡卉. 智能网联下无人驾驶汽车配送路径优化方法[J]. 系统科学与数学, 2020, 40(11): 1984-1998.
[15] 肖汉强,赵扬. 考虑主体心理行为的一对多双边匹配决策方法[J]. 系统科学与数学, 2020, 40(11): 2071-2081.
阅读次数
全文


摘要