A hybrid cooperative quantum particle swarm optimizer with dynamic varying search area for function optimization

This paper proposes a hybrid cooperative quantum particle swarm optimization (HCQPSO), hybridizing dynamic varying search area, cooperative evolution, simulated annealing and quantum particle swarm optimization (PSO) for function optimization. In the proposed HQCPSO, a technique of dynamic varying search area helps reduce the search spaces and populations of swarms, which could make the optimization more efficient. Simulated annealing is integrated in the position update to modify the trajectories of particles to avoid being trapped in the local optimum. To test the performance of HQCPSO, numerical experiments are conducted to compare the proposed algorithm with different variants of PSO. According to the experimental results, the proposed method performs better than other variants of PSO on benchmark test functions. Streszczenie. W artykule zaproponowano hybrydowy algorytm optymalizacji PSO. Porównanie z innymi, znanymi wariantami wykazało, że zastosowane w metodzie rozwiązania, pozwalają na efektywniejsze działanie proponowanego algorytmu PSO. Wyniki eksperymentalne potwierdziły powyższą tezę. (Hybrydowy algorytm optymalizacji roju cząstek z dynamicznie zmiennym obszarem wyszukiwania w optymalizacji funkcji).