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

Particle Swarm Optimization with Ensemble of Inertia Weight Strategies

verfasst von : Muhammad Zeeshan Shirazi, Trinadh Pamulapati, Rammohan Mallipeddi, Kalyana Chakravarthy Veluvolu

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

Particle swarm optimization (PSO) has gained significant attention for solving numerical optimization problems in different applications. However, the performance of PSO depends on the appropriate setting of inertia weight and the optimal setting changes with generations during the evolution. Therefore, different adaptive inertia weight strategies have been proposed. However, the best inertia weight adaptive strategy depends on the nature of the optimization problem. In this paper, different inertia weight strategies such as linear, Gompertz, logarithmic and exponential decreasing inertia weights as well as chaotic and oscillating inertia weight strategies are explored. Finally, PSO with an adaptive ensemble of linear & Gompertz decreasing inertia weights is proposed and compared with other strategies on a diverse set of benchmark optimization problems with different dimensions. Additionally, the proposed method is incorporated into heterogeneous comprehensive learning PSO (HCLPSO) to demonstrate its effectiveness.

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 The Analysis of Strategy for the Boundary Restriction in Particle Swarm Optimization Algorithm
Nächstes Kapitel Hybrid Comprehensive Learning Particle Swarm Optimizer with Adaptive Starting Local Search
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, pp. 39–43 (1995)
2.
Kennedy, J., Eberhart, R.: Particle swarm optimization. In: 4th IEEE International Conference on Neural Networks (1995)
3.
Gao, Y., Duan, Y.: An adaptive particle swarm optimization algorithm with new random inertia weight. In: International Conference on Intelligent Computing, pp. 342–350 (2007)
4.
Xin, J., Chen, G., Hai, Y..: A particle swarm optimizer with multi-stage linearly-decreasing inertia weight. In: International Joint Conference on Computational Sciences and Optimization, pp. 505–508 (2009)
5.
Lynn, N., Suganthan, P.N.: Heterogeneous comprehensive learning particle swarm optimization with enhanced exploration and exploitation. Swarm Evol. Comput. 24, 11–24 (2015)CrossRef
6.
Nepomuceno, F.V., Engelbrecht, A.P.: A self-adaptive heterogeneous pso for real-parameter optimization. In: IEEE Congress on Evolutionary Computation (CEC), pp. 361–368 (2013)
7.
van Zyl, E., Engelbrecht, A.: Comparison of self-adaptive particle swarm optimizers. In: IEEE Symposium on Swarm Intelligence (SIS), pp. 1–9 (2014)
8.
Harrison, K.R., Engelbrecht, A.P., Ombuki-Berman, B.M.: The sad state of self-adaptive particle swarm optimizers. In: IEEE Congress on Evolutionary Computation (CEC), pp. 431–439 (2016)
9.
Engelbrecht, A.P.: Heterogeneous particle swarm optimization. In: Dorigo, M., et al. (eds.) ANTS 2010. LNCS, vol. 6234, pp. 191–202. Springer, Heidelberg (2010). doi:10.​1007/​978-3-642-15461-4_​17
10.
Harrison, K.R., Engelbrecht, A.P., Ombuki-Berman, B.M.: Inertia weight control strategies for particle swarm optimization. Swarm Intell. 10, 267–305 (2016)CrossRef
11.
Jiang, M., Luo, Y., Yang, S.: Stagnation analysis in particle swarm optimization. In: Proceedings of the 2007 IEEE Swarm Intelligence Symposium (2007)
12.
Shi, Y., Eberhart, R.: A modified particle swarm optimizer. In: IEEE World Congress on Computational Intelligence, pp. 69–73 (1998)
13.
Bansal, J.C., Singh, P., Saraswat, M., Verma, A., Jadon, S.S., Abraham, A.: Inertia weight strategies in particle swarm optimization. In: Third World Congress on Nature and Biologically Inspired Computing (NaBIC), pp. 633–640 (2011)
Metadaten
Titel
Particle Swarm Optimization with Ensemble of Inertia Weight Strategies
verfasst von
Muhammad Zeeshan Shirazi
Trinadh Pamulapati
Rammohan Mallipeddi
Kalyana Chakravarthy Veluvolu
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_15

Premium Partner

    Bildnachweise