您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201909-64
论文题目 基于局部搜索的反向学习竞争粒子群优化算法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于局部搜索的反向学习竞争粒子群优化算法

首发时间:2019-09-26

钱晓宇 1   

钱晓宇(1995-),男,研究生,主要研究方向:粒子群优化算法

方伟 1   

方伟(1980-),男,教授,主要研究方向:计算智能

董洪伟 1   
  • 1、江南大学物联网工程学院,无锡 214122

摘要:为了提升粒子群优化算法在复杂优化问题, 特别是高维优化问题上的优化性能, 提出了一种基于Solis\&Wets 局部搜索的反向学习竞争粒子群优化算法(Solis and Wets - Opposition Based Learning Competitiveparticle Swarm Optimizer,SW-OBLCSO).SW-OBLCSO 算法采用了竞争学习和反向学习两种学习机制, 并设计了基于个体的局部搜索算子. 在SW-OBLCSO 算法的每次迭代中, 竞争学习在来自群体的四个随机选择的粒子之间进行, 具有最佳适应值的粒子, 表示为获胜者, 直接传递给下一次迭代; 具有最差适应值的粒子直接获得获胜者的位置并增加一个偏移量, 加快算法的收敛速度; 两个中等适应值的粒子分别采用向获胜者学习和反向学习策略. 在求解性能连续多次没有得到改善后加入SW 局部搜索策略, 提高算法跳出局部最优的能力. 利用10 个常用基准测试函数在100 维、500 维和1000 维情况下将SW-OBLCSO 算法与多种优化算法进行对比. 实验结果表明所提算法在收敛速度和全局搜索能力上表现出了突出的性能; 对模糊认知图(Fuzzy Cognitive Maps) 学习问题的测试表明SW-OBLCSO 算法在处理实际问题时同样具有出色的性能.

关键词: 计算机软件与理论 粒子群优化算法 反向学习 竞争学习 大规模优化问题

For information in English, please click here

Local Search Based Competitive Particle Swarm Optimizer With Opposition-Based Learning

QIAN Xiao-Yu 1   

钱晓宇(1995-),男,研究生,主要研究方向:粒子群优化算法

FANG Wei 1   

方伟(1980-),男,教授,主要研究方向:计算智能

DONG Hong-Wei3 1   
  • 1、Department of IoT Engineering,Jiangnan University, WuXi 214122

Abstract:In order to improve the optimization ability of particle swarm optimization(PSO) algorithm in complexoptimization problems,especially in high dimensional problems,a competitive particle swarm optimizationalgorithm(SW-OBLCSO) based on opposition-based learning and Solis\&Wets local search is proposed.SW-OBLCSO adopts two learning mechanisms,namely competitive swarm optimizer(CSO) and opposition-based learning,and embeds individual-based local search operators in it.In each iteration of SW-OBLCSO,competitive learning is performedbetween four randomly selected particles from the population.Particles with optimal fitness values are passed directly tothe next iteration.The particle with the worst fitness value directly obtains the position of the winner and adds an offsetto speed up the convergence of the algorithm.Two medium-adaptive particles update from the winner and by Opposition-Based Learning strategy respectively.After the performance of the solution has not been improved for many times,the SW local search strategy is added to improve the ability of the algorithm to jump out of local optimum.TheSW-OBLCSO algorithm is compared with various optimization algorithms on the 10 benchmarks functions in 100,500and 1000 dimensions.The experimental results show that the proposed algorithm exhibits outstanding performance inconvergence speed and global search ability.Testing of fuzzy cognitive map (FCM) learning problems shows thatSW-OBLCSO also has excellent performance when dealing with practical problems.

Keywords: Computer software and theory Particle Swarm Optimizer Opposition-Based Learning Competitive learning Large-scale optimization problem

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
钱晓宇,方伟,董洪伟. 基于局部搜索的反向学习竞争粒子群优化算法[EB/OL]. 北京:中国科技论文在线 [2019-09-26]. http://www.paper.edu.cn/releasepaper/content/201909-64.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于局部搜索的反向学习竞争粒子群优化算法