引用本文:郑永康,陈维荣,戴朝华,王维博.随机聚焦搜索优化算法[J].控制理论与应用,2009,26(8):915~917.[点击复制]
ZHENG Yongkang,CHEN Weirong,DAI Chaohua,WANG Weibo.Optimization algorithm with stochastic focusing search[J].Control Theory and Technology,2009,26(8):915~917.[点击复制]
随机聚焦搜索优化算法
Optimization algorithm with stochastic focusing search
摘要点击 2544  全文点击 1451  投稿时间:2008-01-09  修订日期:2008-11-04
查看全文  查看/发表评论  下载PDF阅读器
DOI编号  
  2009,26(8):915-917
中文关键词  群集智能  随机聚焦搜索  人类随机搜索  粒子群优化
英文关键词  swarm intelligence  stochastic focusing search  human randomized searching  particle swarm optimization
基金项目  国家自然科学基金资助项目(60870004); 西南交通大学博士生创新基金资助项目(2007¡3).
作者单位E-mail
郑永康* 成都电业局修试所, 四川 成都 610021 zyk555@163.com 
陈维荣 西南交通大学 电气工程学院, 四川 成都 610031  
戴朝华 西南交通大学 电气工程学院, 四川 成都 610031  
王维博 西南交通大学 信息科学与技术学院, 四川 成都 610031  
中文摘要
      提出了一种新的优化算法: 随机聚焦搜索. 该算法属于群集智能, 它模仿了人类的搜索行为及其在搜索过程中的随机性, 算法简单并且计算复杂度小. 在对一系列典型复杂函数的优化测试中, 通过与差分进化算法和全面学习的粒子群算法进行对比, 验证了该算法性能. 仿真结果表明, 该算法能解决大多数benchmark函数问题, 并且有较快的寻优速度, 可以在一定程度上替代现有的优化算法.
英文摘要
      A novel optimization algorithm with stochastic focusing search(SFS) is proposed. This algorithm is a swarmintelligence algorithm, which imitates the random action in human searching behaviors. The algorithm performance is studied by using a set of typical complex functions, and is compared with that of the differential evolution(DE) algorithm and the comprehensive learning-particle-swarm-optimizer(CLPSO) algorithm. The simulation results show that SFS solves most of the benchmark problems and can be considered a promising candidate of search algorithms when the existing algorithms have difficulties in solving some problems.