当前位置：文档之家 › 总结性自适应变异的粒子群算法

总结性自适应变异的粒子群算法

  • 格式：docx
  • 大小：36.87 KB
  • 文档页数：2

总结性自适应变异的粒子群算法

陈博文;邹海

【期刊名称】《计算机工程与应用》

【年(卷),期】2022(58)8

【摘 要】针对粒子群优化(particle swarm optimization,PSO)算法在迭代期间易陷入局部最优及寻优精度不高的缺点,提出一种总结性自适应变异的粒子群算法SCVPSO(self-conclusion and self-adaptive variation particle swarm

optimization)。采用非线性转折上升再递减惯性权重动态更新每个粒子的位置,有效避免早熟;对筛选的局部粒子作反向搜索处理,提高种群寻优效率;引入新的参数scr(self-conclusion rate)以总结各个粒子近期求解情况,并通过概率单向变异引导粒子指向全局最优,增加粒子多样性。借助15个测试函数与其他变种粒子群优化算法对比,结果显示,改进之后的算法在求解性能上明显优于其他算法,验证了该策略的有效性。

【总页数】9页(P67-75)

【作 者】陈博文;邹海

【作者单位】安徽大学计算机科学与技术学院

【正文语种】中 文

【中图分类】TP301

【相关文献】 1.基于全参数自适应变异粒子群算法的单目相机标定2.基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究3.一种自适应变异二进制粒子群算法4.自适应精英变异粒子群算法在风电场无功优化中的应用5.基于自适应变异粒子群算法的船舶结构优化方法

因版权原因，仅展示原文概要，查看原文内容请购买

合集下载

自适应多位变异粒子群优化算法

自适应多位变异粒子群优化算法

Ｖｏ１．４２　Ｎｏ．２　２０２　计算机与数字工程　Ｃｏｍｐｕｔｅｒ＆Ｄｉｇｉｔａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　总第２９２期　２０１４年第２期　

自适应多位变异粒子群优化算法　

李永新李菲菲　

（南阳农业职业学院计算机系南阳４７３０６１）　

摘要针对粒子群优化算法的早熟收敛问题，提出一种改进的自适应多位变异粒子群优化算法。根据群体适应度方　差以及当前最优解的大小来确定当前最佳粒子的变异概率，变异操作增强了粒子群优化算法跳出局部最优解的能力，在理　论上保证了算法具有良好的性能。对几种典型函数的测试结果表明：该算法的全局搜索能力有了显著改善，收敛速度较快，　并且能够有效避免早熟收敛问题。　关键词粒子群；自适应变异；早熟收敛　

中图分类号ＴＰ３０１．６　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ１６７２—９７２２．２０１４．０２．００７　

Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ａｄａｐｔｉｖｅ　Ｍｕｌｔｉｐｌｅ　Ｍｕｔａｔｉｏｎ　

ＬＩ　Ｙｏｎｇｘｉｎ　ＬＩ　Ｆｅｉｆｅｉ　（Ｎａｎｙａｎｇ　Ｖｏｃａｔｉｏｎａｌ　Ｃｏｌｌｅｇｅ　ｏｆ　Ａｇｒｉｃｕｌｔｕｒｅ　Ｃｏｍｐｕｔｅｒ　Ｄｅｐａｒｔｍｅｎｔ，Ｎａｎｙａｎｇ　４７３０６１）　

Ａｂｓｔｒａｃｔ　Ｃｏｎｓｉｄｅｒｉｎｇ　ｔｈｅ　ｐｒｅｍａｔｕｒｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ａ　ｎｅｗ　ａｄａｐｔｉｖｅ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｓ　ｐｒｅｓｅｎｔｅｄ　ｂａｓｅｄ　ｏｎ　ａｄａｐｔｉｖｅ　ｍｕｌｔｉｐｌｅ　ｍｕｔａｔｉｏｎ．Ｔｈｅ　ｍｕｔａｔｉｏｎ　ｐｒｏｂａｂｉｌｉｔｙ　ｆｏｒ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｂｅｓｔ　ｐａｒｔｉｃｌｅ　ｉｓ　ｄｅｔｅｒｍｉｎｅｄ　ｂｙ　ｔｗｏ　ｆａｃｔｏｒｓ，ｉｎｃｌｕｄｉｎｇ　ｔｈｅ　ｖａｒｉａｎｃｅ　ｏｆ　ｔｈｅ　ｐｏｐｕｌａｔｉｏｎ’Ｓ　ｆｉｔｎｅｓｓ　ａｎｄ　ｔｈｅ　ｃｕｒｒｅｎｔ　ｏｐｔｉｍａｌ　ｓｏｌｕｔｉｏｎ．Ｔｈｅ　ａｂｉｌｉｔｙ　ｏｆ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｔＯ　ｂｒｅａｋ　ａｗａｙ　ｆｒｏｍ　ｔｈｅ　Ｌｏｃａｌ　ｏｐｔｉｎｕｍ　ｉｓ　ｇｒｅａｔｌｙ　ｉｍｐｒｏｖｅｄ　ｈｙ　ｔｈｅ　ｍｕｔａｔｉｏｎ．Ａ　ｇｏｏｄ　ｐｅｒ—　ｆｏｒｍａｎｃｅ　ｏｆ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｅｎｓｕｒｅｄ　ｉｎ　ｔｈｅｏｒｙ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｎｅｗ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ｇｌｏｂａｌ　ｓｅａｒｃｈ　ｃａｐａ—　ｂｉｌｉｔｙ　ｎｏｔ　ｏｎｌｙ　ｉｓ　ｉｍｐｒｏｖｅｄ　ｓｉｇｎｉｆｉｃａｎｔｌｙ，ｈａｓ　ａｎ　ｏｐｔｉｍａ１　ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ，ｂｕｔ　ａｌｓｏ　ｃａｎ　ａｖｏｉｄ　ｔｈｅ　ｐｒｅｍａｔｕｒｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｐｒｏｂ—　ｌｅｍ　ｅｆｆｅｃｔｉｖｅｌｙ。ａｎｄ　ｔｈｅｏｒｙ　ａｎａｌｙｓｉｓ　ｓｈｏｗ　ｔｈａｔ　ｉｔ　ｉＳ　ｆｅａｓｉｂｌｅ　ａｎｄ　ａｖａｉｌａｂｉｌｉｔｙ．　Ｋｅｙ　Ｗｏｒｄｓ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ，ａｄａｐｔｉｖｅ　ｍｕｔａｔｉｏｎ，ｐｒｅｍａｔｕｒｅ　ｃｏｎｖｅｒｇｅｎｃｅ　Ｃｌａｓｓ　Ｎｕｍｂｅｒ　ＴＰ３０】．６　

自适应阶段变异量子粒子群优化算法研究

自适应阶段变异量子粒子群优化算法研究

第２９卷第６期　２０１２年６月　计算机应用研究　Ａｐｐｌｉｃａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　ｏｆ　Ｃｏｍｐｕｔｅｒｓ　Ｖｏ１．２９　Ｎｏ．６　Ｊｕｎ．２０１２　

自适应阶段变异量子粒子群优化算法研究　

向毅，钟育彬　

（广州大学数学与信息科学学院，广州５１０００６）　

摘要：为了克服标准量子粒子群优化（ＳＱＰＳＯ）算法易陷入局部最优的缺点，引入变异机制，基于进化阶段的　

概念，提出了自适应阶段变异量子粒子群优化（ＡＰＭＱＰＳＯ）算法。以四种不同的变异概率减小方式阶段性地对　

ＱＰＳＯ算法中的全局最优位置进行柯西变异，形成了四个不同的ＡＰＭＱＰＳＯ算法。用五个典型的测试函数进行　

仿真实验，并将四个ＡＰＭＱＰＳＯ算法与ＳＱＰＳＯ算法的实验结果进行了比较。实验结果表明，对于单峰函数优化　

问题，基于变异概率线性变化的ＡＰＭＱＰＳＯ算法较为有效；而对于多峰函数优化问题，基于变异概率非线性变化　

的ＡＰＭＱＰＳＯ算法则具有很强的优化能力。　

关键词：量子粒子群优化算法；进化阶段；变异算子；变异概率；函数优化　

中图分类号：ＴＰ３９１．９　文献标志码：Ａ　文章编号：１００１－３６９５（２０１２）０６—２０３５—０５　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１．３６９５．２０１２．０６．００８　

Ｒｅｓｅａｒｃｈ　ｏｎ　ａｄａｐｔｉｖｅ　ｐｅｒｉｏｄ　ｍｕｔａｔｉｏｎ—ｂａｓｅｄ　ＱＰＳＯ　ａｌｇｏｒｉｔｈｍ　

ＸＩＡＮＧ　Ｙｉ，ＺＨＯＮＧ　Ｙｕ—ｂｉｎ　

（Ｓｃｈｏｏｌ　ｏｆＭａｔｈｅｍａｔｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅｓ，Ｇｕａｎｇｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ　５１０００６，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｓｔａｎｄａｒｄ　ｑｕａｎｔｕｍ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ．ｏｐｔｉｍｉｚａｔｉｏｎ（ＳＱＰＳＯ）ａｌｇｏｒｉｔｈｍ　ｍａｙ　ｓｉｎｋ　ｉｎｔｏ　ｌｏｃａｌ　ｏｐｔｉｍｕｍ．Ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｉｓ　ｓｈｏｒｔｃｏｍｉｎｇ，ｔｈｉｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｄ　ｔｈｅ　ｍｕｔａｔｉｏｎ　ｍｅｃｈａｎｉｓｍ．Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｃｏｎｃｅｐｔ　ｏｆ　ｅｖｏｌｕｔｉｏｎ　ｐｅｒｉｏｄ，ｉｔ　ｐｒｏｐｏｓｅｄ　ａｄａｐ—　ｔｉｖｅ　ｐｅｒｉｏｄ　ｍｕｔａｔｉｏｎ—ｂａｓｅｄ　ＱＰＳＯ　ａｌｇｏｒｉｔｈｍｓ（ＡＰＭＱＰＳＯｓ）．Ｉｔ　ｕｓｅｄ　ｆｏｕｒ　ｋｉｎｄｓ　ｏｆ　ｍｕｔａｔｉｏｎ　ｐｒｏｂａｂｉｌｉｔｙ　ｄｅｃｒｅａｓｉｎｇ　ｍｅｔｈｏｄｓ　ｔｏ　ｐｅｒｉｏｄｉｃａｌｌｙ　ｍｕｔａｔｅ　ｇｌｏｂａｌ　ｂｅｓｔ　ｐｏｓｉｔｉｏｎ　ｗｉｔｈ　ｃａｕｃｈｙ　ｒａｎｄｏｍ　ｎｕｍｂｅｒｓ　ｉｎ　ＱＰＳＯ　ａｌｇｏｒｉｔｈｍ，ｔｈｕｓ　ｆｏｒｍｅｄ　ｆｏｕｒ　ｄｉｆｆｅｒｅｎｔ　ＡＰＭＱＰＳＯ　ａｌｇｏｒｉｔｈｍｓ．Ｉｔ　ａｄｏｐｔｅｄ　ｆｉｖｅ　ｔｙｐｉｃａｌ　ｔｅｓｔ　ｆｕｎｃｔｉｏｎｓ　ｔｏ　ｃｏｎｄｕｃｔ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ，ａｎｄ　ｃｏｍｐａｒｅｄ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｏｆ　ｆｏｕｒ　ＡＰＭＱＰＳＯｓ　ａｎｄ　ＳＱＰＳＯ　ｗｉｔｈ　ｅａｃｈ　ｏｔｈｅｒ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｈｓ　ｓｈｏｗ　ｔｈａｔ　ＡＰＭＱＰＳＯｓ　ｗｉｔｈ　ｌｉｎｅａｒ　ｖａｒｉａｔｉｏｎ　ｍｕｔａｔｉｏｎ　ｐｒｏｂａｂｉｌｉ－　ｔｙ　ａｒｅ　ｅｆｆｅｃｔｉｖｅ　ｆｏｒ　ｕｎｉｍｏｄａｌ　ｆｕｎｃｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｐｒｏｂｌｅｍｓ，ｗｈｉｌｅ　ａｌｇｏｒｉｔｈｍｓ　ｗｉｔｈ　ｎｏｎｌｉｎｅａｒ　ｖａｒｉａｔｉｏｎ　ｍｕｔａｔｉｏｎ　ｐｒｏｂａｂｉｌｉｔｙ　ｈａｖｅ　ｖｅｒｙ　ｓｔｒｏｎｇ　ｏｐｔｉｍｉｚａｔｉｏｎ　ａｂｉｌｉｔｉｅｓ　ｆｏｒ　ｍｕｈｉｍｏｄａｌ　ｏｎｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：ＱＰＳＯ　ａｌｇｏｒｉｔｈｍ；ｅｖｏｌｕｔｉｏｎ　ｐｅｒｉｏｄ；ｍｕｔａｔｉｏｎ　ｏｐｅｒａｔｏｒ；ｍｕｔａｔｉｏｎ　ｐｒｏｂａｂｉｌｉｔｙ；ｆｕｎｃｔｉｏｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　

自适应粒子群算法AFIPSO的研究

自适应粒子群算法AFIPSO的研究

第２７卷第１１期　

２０１０年１１月　计算机应用与软件　

Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｓｏｆｔｗａｒｅ　Ｖｏ１．２７　Ｎｏ．１１　

ＮＯＶ．２０１０　

自适应粒子群算法ＡＦＩＰＳＯ的研究　

刘　蓉　刘　容　

（华南理工大学理学院　吕翠英　

广东广州５１０６４０）　

摘要　提出一种自适应粒子群算法。通过自适应调整飞行时间和惯性权值，克服了粒子群算法在进化后期搜索能力下降的问　

题，并且充分利用目标函数的信息，提高了算法的稳定性，加快了算法的收敛速度。通过测试函数对算法进行实验，结果表明算法具　

有较好的稳定性和收敛速度。　

关键词　粒子群算法　自适应　飞行时间　惯性权值　

ｏＮ　ＡＤＡＰＴＩＶＥ　ＰＡＲＴＩＣＬＥ　ＳＷＡＲＭ　ｏＰＴＩＭＩＺＡＴＩｏＮ　ＡＬＧｏＲＩＴＨＭ—－ＡＦＩＰＳＯ　

Ｌｉｕ　Ｒｏｎｇ　Ｌｉａ　Ｃｕｉｙｉｎｇ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｓｃｉｅｎｃｅ，Ｓｏｕｔｈ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ　５１０６４０，Ｇｎａｎｇｄｏｎｇ，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ　Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｄ　ａｎ　ａｌｇｏｒｉｔｈｍ　ｏｆ　ａｄａｐｔｉｖｅ　ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｏｖｅｒｃｏｍｅｓ　ｔｈｅ　ｄｅｃｌｉｎｉｎｇ　ｓｅａｒｃｈ　ｅａｐａｂｉｌ—　ｉｔｙ　ｐｒｏｂｌｅｍ　ｏｆ　ｓｔａｎｄａｒｄ　ｐａｒｔｉｃｌｅ　ｓｗａｌＴｎ　ｏｐｔｉｍｉｚａｔｉｏｎ　ｉｎ　ｉｔｓ　ｌａｔｅ　ｅｖｏｌｕｔｉｏｎ　ｐｅｒｉｏｄ　ｂｙ　ａｄａｐｔｉｖｅｌｙ　ａｄｊｕｓｔｉｎｇ　ｆｌｉｇｈｔ　ｔｉｍｅ　ａｎｄ　ｉｎｅｒｔｉａ　ｗｅｉｇｈｔ，ａｎｄ　ｍａｋｅｓ　

ｆｕｌｌ　ｕｓｅ　ｏｆ　ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｏｂｊｅｃｔｉｖｅ　ｆｕｎｃｔｉｏｎ．ｉｍｐｒｏｖｅｓ　ａｌｇｏｒｉｔｈｍ’Ｓ　ｓｔａｂｉｌｉｔｙ　ａｎｄ　ａｃｃｅｌｅｒａｔｅｓ　ａｌｇｏｒｉｔｈｍ’ｓ　ｃｏｎｖｅｒｇｅｎｃｅ　ｓｐｅｅｄ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　

自适应粒子群优化算法在车间作业调度问题中的应用

自适应粒子群优化算法在车间作业调度问题中的应用

企业物流　物流技术２０１３年第３２卷第６期（总第２８５期）　

ｄｏｉ：ｌＯ．３９６９￣．ｉｓｓｎ．１００５－１５２Ｘ．２０１３．０６．０７０　

自适应粒子群优化算法在车间作业调度　

问题中的应用　

张智善　

（朔黄铁路发展有限责任公司，河北肃宁０６２３５０）　

【摘要】采用粒子群优化算法对该问题进行求解，为了提高算法的求解性能，针对粒子群算法特点，提出了一种自适应的惯　性权值来调整算法的搜索空间和一种自适应更新策略来动态地更新粒子的位置。最后通过经典的实例对本文提出的算法进行　了检验，结果表明，该改进的粒子群算法在求解车间作业调度问题是有效的。　【关键词】车间作业调度问题；粒子群优化算法；自适应策略；惯性权重　【中图分类￣］Ｆ２７４；ＴＰ１８　［文献标识码】Ａ　【文章编￣］１ｏｏ５—１５２Ｘ（２０１３）０６—０２２０—０３　

Ａｎ　Ａｄａｐｔｉｖｅ　Ｐａｒｔｉｃｌｅ　Ｓｗａｒｍ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｓｏｌｖｉｎｇ　Ｊｏｂ　Ｓｈｏｐ　Ｓｃｈｅｄｕｌｉｎｇ　Ｐｒｏｂｌｅｍ　

Ｚｈａｎｇ　Ｚｈｉｓｈａｎ　（Ｓｈｕｏｈｕａｎｇ　Ｒａｉｌｗａｙ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｌｉｍｉｔｅｄ　Ｌｉａｂｉｌｉｔｙ　Ｃｏｍｐａｎｙ，Ｓｕｎｉｎｇ　０６２３５０，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｅｄ　ａｎ　ａｄａｐｔｉｖｅｐａｒｔｉｃｌｅ　ｓｗｍ＇ｉｎｏｐｔｉｍｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ（ＡＰＳＯ）ｔｏ　ｓｏｌｖｅｔｈｅｊｏｂｓｈｏｐ　ｓｃｈｅｄｕｌｉｎｇｐｒｏｂｌｅｍ．Ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ＡＰＳＯ，ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｆｅａｔｕｒｅｓ　ｏｆ　ｐａｒｔｉｃｌｅ　ＳＷａＸ３ＴＩ　ｏｐｔｉｍｉｚａｔｉｏｎ，ｔｈｉｓ　ｐａｐｅｒ　ｉｎｔｒｏｄｕｃｅｄ　ａｎ　ａｄａｐｔｉｖｅ　ｉｎｅｒｔｉａ　ｗｅｉｇｈｔ　ｔｏ　ｅｘｐａｎｄｔｈｅ　ｓｅａｒｃｈ　ｓｐａｃｅａｎｄａｎａｄａｐｔｉｖｅ　ｓｔｒａｔｅｇｙｔｏｄｙｎａｍｉｃａｌｌｙｃｈａｎｇｅｔｈｅｐｏｓｉｔｉｏｎｏｆａｐａｒｔｉｃｌｅ．Ａｔｌａｓｔ，ｔｈｅｐａｐｅｒｅｘａｍｉｎｅｄｔｈｅｐｅｒｆｏｒｍａｎｃｅ　ｏｆ　ＡＰＳＯ　ｂｙ　ｕｓｉｎｇ　ｓｏｍｅ　ｔｙｐｉｃａｌ　ｅｘａｍｐｌｅｓ　ａｎｄ　ｆｏｕｎｄ　ｔｈａｔ　ＡＰＳＯ　Ｗａｓ　ａｎ　ｅｆｆｅｃｔｉｖｅ　ａｐｐｒｏａｃｈ　ｆｏｒ　ｓｏｌｖｉｎｇ　ＪＳＰ．　Ｋｅｙｗｏｒｄｓ：ｊ０ｂｓｈｏｐ　ｓｃｈｅｄｕｌｉｎｇ　ｐｒｏｂｌｅｍ；ｐａｒｔｉｃｌｅ　ｓｗａｒｎｌ　ｏｐｔｉｍｉｚａｔｉｏｎ；ａｄａｐｔｉｖｅ　ｓｔｒａｔｅｇｙ；ｉｎｅｒｔｉａ　ｗｅｉｇｈｔ