A hybrid cooperative quantum particle swarm optimizer with dynamic varying search area for function optimization

• Autorzy: Li D.

Warianty tytułu

PL

Hybrydowy algorytm optymalizacji roju cząstek z dynamicznie zmiennym obszarem wyszukiwania w optymalizacji funkcji

• Języki publikacji: EN

Abstrakty

EN

This paper proposes a hybrid cooperative quantum particle swarm optimization (HCQPSO), hybridizing dynamic varying search area, cooperative evolution, simulated annealing and quantum particle swarm optimization (PSO) for function optimization. In the proposed HQCPSO, a technique of dynamic varying search area helps reduce the search spaces and populations of swarms, which could make the optimization more efficient. Simulated annealing is integrated in the position update to modify the trajectories of particles to avoid being trapped in the local optimum. To test the performance of HQCPSO, numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions.

PL

W artykule zaproponowano hybrydowy algorytm optymalizacji PSO. Porównanie z innymi, znanymi wariantami wykazało, że zastosowane w metodzie rozwiązania, pozwalają na efektywniejsze działanie proponowanego algorytmu PSO. Wyniki eksperymentalne potwierdziły powyższą tezę.

Słowa kluczowe

EN

particle swarm optimization (PSO); quantum-behaved; cooperative evolution; varying search area; simulated annealing

PL

optymalizacja roju cząstek; rozwój spółdzielczy; obszar zmienny poszukiwań; wyżarzanie symulowane; kształtowanie kwantowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 3b
• Strony: 21--24
• Opis fizyczny: Bibliogr. 6 poz., tab., wykr.

Twórcy

autor

Li D.

• Anhui Science and Technology University, School of Science, ul. Donghua Road 9, 233100, Fengyang, Anhui, China

Bibliografia

• [1] Kennedy J., Eberhart R.C.: Particle swarm optimization, In: Proc. IEEE International Conference on Neural Networks, Perth, Australia, 1995, 1942-1948
• [2] Lazinica A.: Particle Swarm Optimization, IN-TECH, 2009.
• [3] Sun J., Feng B., Xu W.B.: Particle Swarm Optimization with Particles Having Quantum Behavior, Proc. Congress on Evolutionary Computation, 325(2004)
• [4] Liu J., Sun J., Xu W.B.: Design IIR Digital Filters Using Quantum-Behaved Particle Swarm Optimization, Advances in Natural Computation, LNCS, 4222(2006), 637-640
• [5] Van den Bergh F., Engelbrecht A.P.: A cooperative approach to particle swarm optimization, IEEE Transactions on In Evolutionary Computation, 8(2004), 1-15
• [6] El Dor A., Clerc M., Siarry P.: A multi-swarm PSO using charged particles in a partitioned search space for continuous optimization[J]. Computational Optimization and Applications, 11(2011): 1-25