共查询到20条相似文献,搜索用时 734 毫秒
1.
群核进化粒子群优化方法 总被引:4,自引:3,他引:1
粒子群优化方法(PSO Particle Swarm Optimization)是由Kennedy和Eberhart于1995年提出的进化计算技术,并成功应用于各类优化问题。其基本思想源于对鸟群捕食等群体行为的研究。本文对标准PSO方法进行了分析,给出了“群核”(Swarm-Core)的概念,并在此基础上,提出了群核进化粒子群优化方法(Swarm-Core Evolutionary Particle Swarm Optimization,SCEPSO),同时把该方法与其它版本PSO方法进行了比较。试验结果表明:在相同环境下,SCEPSO方法能较好地克服传统PSO方法中的不足,测试结果较其它几个版本的PSO方法有很大提高,是非常有效的。 相似文献
2.
一种更简化而高效的粒子群优化算法 总被引:66,自引:0,他引:66
针对基本粒子群优化(basic particle swarm optimization,简称bPSO)算法容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出了简化粒子群优化(simple particle swarm optimization,简称sPSO)算法、带极值扰动粒子群优化(extremum disturbed particle swarm optimization,简称tPSO)算法和基于二者的带极值扰动的简化粒子群优化(ext 相似文献
3.
基于岛屿群体模型的并行粒子群优化算法 总被引:19,自引:0,他引:19
为改善粒子群优化算法对大规模多变量求解的性能,提出了基于岛屿群体模型的并行粒子群优化算法.对粒子群优化算法机理和本质并行性进行分析,设计和实现了一种并行粒子群优化算法.实验结果表明,基于岛屿群体模型的并行粒子群优化算法不仅提高了求解效率,而且改善了早收敛现象,算法的性能比经典粒子群优化算法有了很大提高. 相似文献
4.
粒子群优化算法的性能分析和参数选择 总被引:11,自引:0,他引:11
惯性权重和加速因子是影响粒子群算法优化性能的重要参数.基于常用的12个测试函数,本文通过实验研究了不同参数组合下粒子的探索能力和算法的优化性能,在此基础上推荐了一组固定的参数组合.通过惯性权重和加速因子的不同变化策略组合对算法性能影响的实验分析,推荐了一种变化的参数设置方法.基于CEC2015发布的15个基准函数进一步验证了本文推荐的参数选取方法的有效性.最后讨论了粒子群优化(Particle swarm optimization,PSO)算法在连续优化和离散优化方面的应用问题. 相似文献
5.
三群粒子群优化算法及其在丙烯腈收率软测量中的应用 总被引:4,自引:0,他引:4
提出了一种三群粒子群优化算法(THSPSO, three sub-swarms particle swarm optimization).该算法将整个粒子群分为三群,第一群粒子朝全局历史最优方向飞行,第二群粒子朝着相反方向飞行,第三群粒子在全局历史最优位置周围随机飞行.分别将该算法和基本粒子群优化算法(PSO, particle swarm optimization)用于一些常用测试函数的优化问题;结果表明,与PSO相比,THSPSO具有更好的优化性能.然后,用THSPSO训练神经网络,并将其用于丙烯腈收率软测量建模,结果显示了三群粒子群优化算法在丙烯腈软测量建模中的可行性与有效性. 相似文献
6.
7.
8.
为了提升粒子群优化算法(particle swarm optimization, PSO)的性能,提出了一种基于网格划分的自适应粒子群优化(grid-based adaptive particle swarm optimization, GAPSO)算法和基于网格划分的多样性计算方法,并设计了初始种群多样性最大化(maximal diversity algorithm for the initial swarm,MDAIS)算法。GAPSO分为两个阶段:根据粒子对多样性的贡献自适应调整粒子的进化方向,使种 相似文献
9.
10.
多任务粒子群优化算法(multi-task particle swarm ptimization, MTPSO)通过知识迁移学习,具有快速收敛能力,广泛应用于求解多任务多目标优化问题.然而, MTPSO难以根据种群进化状态自适应调整优化过程,容易陷入局部最优,收敛性能较差.针对此问题,利用强化学习的自我进化与预测能力,提出一种基于Q学习的多任务多目标粒子群优化算法(QM2PSO).首先,设计粒子群参数动态更新方法,利用Q学习方法在线更新粒子群算法的惯性权重和加速度参数,提高当前粒子收敛到Pareto前沿的能力;其次,提出基于柯西分布的突变搜索策略,通过全局和局部交替搜索多任务最优解,避免算法陷入局部最优;最后,设计基于正向迁移准则的知识迁移方法,采用Q学习方法更新知识迁移率,改善知识负迁移现象.与已有经典算法的对比实验结果表明所提出的QM2PSO算法具有更优越的收敛性. 相似文献
11.
基于粒子群优化算法的系统可靠性优化 总被引:1,自引:0,他引:1
刘家骏 《计算机与数字工程》2012,40(4):6-7,14
系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。 相似文献
12.
本文介绍了粒子群优化算法PSO中的多目标优化的粒子群算法及其应用,并将其运用在防守对方多个前锋球员的进攻威胁,以粒子群算法随机性来适应不断变化的形势。 相似文献
13.
华欣 《电脑编程技巧与维护》2009,(24):16-17,21
粒子群优化算法是一种启发式全局优化技术,一种基于群智能的演化计算方法。本文给出了多种改进形式以及与其他算法的比较,并提出了未来可能的研究方向。 相似文献
14.
针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法. 相似文献
15.
16.
17.
粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。 相似文献
18.
粒子群优化算法(particle swarm optimization,PSO)是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO算法具有简单、易实现、可调参数少等特点,在很多领域得到了广泛应用。但PSO算法存在早熟收敛问题。为了克服粒子群优化算法的早熟收敛问题,提出了一种旨在保持种群多样性的改进PSO(IPSO)算法,以提高PSO算法摆脱局部极小点的能力。通过对3种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度、有效的全局收敛性能,而且还具有良好的稳定性。 相似文献
19.