Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Comparative Analysis of Swarm-Based Metaheuristic Algorithms on Benchmark Functions Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Improving Multi-layer Particle Swarm Optimization Using Powell Method

verfasst von : Fengyang Sun, Lin Wang, Bo Yang, Zhenxiang Chen, Jin Zhou, Kun Tang, Jinyan Wu

Erschienen in: Advances in Swarm Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In recent years, multi-layer particle swarm optimization (MLPSO) has been applied in various global optimization problems for its superior performance. However, fast convergence speed leads the algorithm easy to converge to the local minimum. Therefore, MLPSO-Powell algorithm is proposed in this paper, selecting several swarm particles by the tournament operator in each generation to run Powell algorithm. MLPSO global searching performance with Powell local searching performance forces swarm particles to search more optima as much as possible, then it will rapidly converge as soon as it gets close to the global optimum. MLPSO-Powell enhances local search ability of PSO in dealing with multi-modal problems. The experimental results shows that the proposed approach improves performance and final results.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Bare Bones Particle Swarm Optimization Algorithm with Dynamic Local Search
Nächstes Kapitel On the Improvement of PSO Scripts for Slope Stability Analysis
Literatur
1.
Eberhart, R., Kennedy, J.: A new optimizer using particle swarm theory. In: Proceedings of the Sixth International Symposium on Micro Machine and Human Science, MHS 1995, pp. 39–43. IEEE, October 1995
2.
Wang, L., Yang, B., Chen, Y.: Improving particle swarm optimization using multi-layer searching strategy. Inf. Sci. 274, 70–94 (2014)CrossRef
3.
Shi, Y., Eberhart, R.: A modified particle swarm optimizer. In: Proceedings of the 1998 IEEE International Conference on Evolutionary Computation. IEEE World Congress on Computational Intelligence, pp. 69–73. IEEE, May 1998
4.
Suganthan, P.N.: Particle swarm optimiser with neighbourhood operator. In: Proceedings of the 1999 Congress on Evolutionary Computation, CEC 1999, vol. 3, pp. 1958–1962. IEEE (1999)
5.
Liang, J.J., Suganthan, P.N.: Dynamic multi-swarm particle swarm optimizer with local search. In: The 2005 IEEE Congress on Evolutionary Computation, vol. 1, pp. 522–528. IEEE, September 2005
6.
Veeramachaneni, K., Peram, T., Mohan, C., Osadciw, L.A.: Optimization using particle swarms with near neighbor interactions. In: Cantú-Paz, E., et al. (eds.) GECCO 2003. LNCS, vol. 2723, pp. 110–121. Springer, Heidelberg (2003). doi:10.​1007/​3-540-45105-6_​10 CrossRef
7.
Wang, L., Yang, B., Orchard, J.: Particle swarm optimization using dynamic tournament topology. Appl. Soft Comput. 48, 584–596 (2016)CrossRef
8.
Mendes, R., Kennedy, J., Neves, J.: The fully informed particle swarm: simpler, maybe better. IEEE Trans. Evol. Comput. 8(3), 204–210 (2004)CrossRef
9.
Susilo, A.: Comprehensive learning particle swarm optimizer (CLPSO) for global optimization of multimodal functions. Undergraduate theses (2008)
10.
Wang, L., Yang, B., Abraham, A.: Distilling middle-age cement hydration kinetics from observed data using phased hybrid evolution. Soft. Comput. 20(9), 3637–3656 (2016)CrossRef
11.
Zhang, C., Li, T., Agarwal, R.P., Bohner, M.: Oscillation results for fourth-order nonlinear dynamic equations. Appl. Math. Lett. 25(12), 2058–2065 (2012)MathSciNetCrossRefMATH
12.
Zhang, C., Agarwal, R.P., Li, T.: Oscillation and asymptotic behavior of higher-order delay differential equations with p-Laplacian like operators. J. Math. Anal. Appl. 409(2), 1093–1106 (2014)MathSciNetCrossRefMATH
13.
Zhang, C., Agarwal, R.P., Bohner, M., Li, T.: Oscillation of fourth-order delay dynamic equations. Sci. China Math. 58(1), 143–160 (2015)MathSciNetCrossRefMATH
14.
Wang, L., Yang, B., Chen, Y., Zhang, X., Orchard, J.: Improving neural-network classifiers using nearest neighbor partitioning. IEEE Trans. Neural Netw. Learn. Syst. (2016). doi:10.​1109/​TNNLS.​2016.​2580570
15.
Powell, M.J.: An efficient method for finding the minimum of a function of several variables without calculating derivatives. Comput. J. 7(2), 155–162 (1964)MathSciNetCrossRefMATH
16.
Powell, M.J.D.: A fast algorithm for nonlinearly constrained optimization calculations. In: Watson, G.A. (ed.) Numerical Analysis. LNM, vol. 630, pp. 144–157. Springer, Heidelberg (1978). doi:10.​1007/​BFb0067703 CrossRef
17.
Yao, X., Liu, Y., Lin, G.: Evolutionary programming made faster. IEEE Trans. Evol. Comput. 3(2), 82–102 (1999)CrossRef
18.
Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K., Chen, Y.P., Auger, A., Tiwari, S.: Problem definitions and evaluation criteria for the CEC 2005 special session on real-parameter optimization. KanGAL report 2005005 (2005)
19.
Holland, J.H.: Adaptation in natural and artificial systems. MIT Press (1992)
20.
Yuhui, S., Eberhart, R.C.: Empirical study of particle swarm optimization (1999)
Metadaten
Titel
Improving Multi-layer Particle Swarm Optimization Using Powell Method
verfasst von
Fengyang Sun
Lin Wang
Bo Yang
Zhenxiang Chen
Jin Zhou
Kun Tang
Jinyan Wu
Copyright-Jahr
2017
Buch
Advances in Swarm Intelligence

Print ISBN: 978-3-319-61823-4

Electronic ISBN: 978-3-319-61824-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-61824-1_18

Premium Partner

    Bildnachweise