文献

J-GLOBAL ID：201802214386858909   整理番号：18A0479289

適応学習戦略を用いたハイブリッド型パーティクルスワーム最適化アルゴリズム【Powered by NICT】

A hybrid particle swarm optimization algorithm using adaptive learning strategy

著者 (6件)： Wang Feng (School of Computer Science, Wuhan University, Wuhan 430072, China) ,  Zhang Heng (School of Computer Science, Wuhan University, Wuhan 430072, China) ,  Li Kangshun (College of Mathematics and Informatics, South China Agricultural University, Guangzhou 510642, China) ,  Lin Zhiyi (School of Computer Science, Guangdong University of Technology, Guangzhou 510006, China) ,  Yang Jun (School of Electrical Engineering, Wuhan University, Wuhan 430072, China) ,  Shen Xiao-Liang (School of Economics and Management, Wuhan University, Wuhan 430072, China)
資料名： Information Sciences  (Information Sciences)
巻： 436-437  ページ： 162-177  発行年： 2018年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 現実の多くの最適化問題はますます複雑になってきた,それは異なる最適化アルゴリズムの改良に関する研究を促進した。粒子群最適化(PSO)アルゴリズムを各種の最適化問題を解くための有効なツールであることが証明されている。しかし,基本PSO(粒子群最適化)のための,更新戦略は主に大域最良を学習する目的と,時期尚早な収束を受けると同様に多くの複雑な最適化問題に貧弱な性能,特にマルチモーダル問題。適応学習戦略(ALPSO)を用いたハイブリッドPSO(粒子群最適化)アルゴリズムを開発した。ALPSOでは,探査能力を保証するために,自己学習に基づく候補生成戦略とアルゴリズムの開発を保証するために,競合学習に基づく予測戦略を採用した。探査能力と利用能力を良く均衡させるため,著者らは耐性に基づく探索方向調整機構を設計した。四十のベンチマークテスト関数上での実験結果は,五種の代表的なPSO(粒子群最適化)アルゴリズムと比較して,ALPSOは多くの他のものよりはるかに優れた性能を示し,収束精度と収束速度の両方に及ぼすことを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 最適化問題 ,  多モード ,  予測 ,  *最適化 ,  競合学習 ,  *アルゴリズム
準シソーラス用語： 収束速度 ,  ベンチマークテスト ,  自己学習 ,  *最適アルゴリズム ,  *粒子群最適化 ,  *ハイブリッド型 ,  *適応学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： パーティクルスワーム最適化 ,  学習戦略 ,  探索方向 ,  多モード最適化

分類 (2件)： その他のオペレーションズリサーチの手法  (KA03070E) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 適応 ,  学習戦略 ,  ハイブリッド型 ,  パーティクルスワーム最適化 ,  アルゴリズム