共查询到20条相似文献,搜索用时 93 毫秒
1.
2.
针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。 相似文献
3.
4.
5.
一种求解约束优化问题的新粒子群算法 总被引:1,自引:1,他引:0
结合外点法具有局部搜索能力强、处理约束条件简单的特点,把违反约束的粒子用外点法处理以满足约束设计出一种新的粒子群算法求解约束优化问题.实验结果表明,新算法性能优于现有其它算法,是一种通用、高效、稳健的智能算法.它兼顾粒子群算法和外点法的优点,既有较快的收敛速度,又能以非常大概率求得约束优化问题的全局最优解,同时还提高了解的精度. 相似文献
6.
提出了一种改进的粒子群算法(Improved Particle Swarm Optimization,IPSO),使用了一种新型的变异策略,并在搜索过程中将部分邻近的个体聚集成核,从而形成多子群引导粒子探测新的搜索区域,采用了简单易行的罚函数约束处理机制,使算法在求解较难的非线性约束优化问题时具有很强的全局搜索能力与效率。对比数值实验结果表明,该算法能够有效、稳定地求解非线性约束优化问题。 相似文献
7.
8.
9.
针对粒子群优化算法的搜索空间有限、容易出现早熟现象的缺陷,提出将一种基于量子行为的粒子群优化算法用于求解车辆路径问题.车辆路径问题是组合优化问题中的NP-难问题.将量子粒子群算法用于车辆路径问题求解,用粒子的位置表示车辆路径,建立车辆路径的数学模型.与粒子群算法相比,量子粒子群算法提高了最优路径搜索的成功率,能更有效的求解问题. 相似文献
10.
研究粒子群优化算法(PSO)的收敛速度,以提高该算法性能是PSO的一个重要而且有意义的研究。Jun Sun 等人通过对PSO系统下的单个个体在量子多维空间的运动及其收敛性的分析,提出了具有函数形式的粒子群算法(Quantum Delta-Potential-Well-based PSO)。在此基础上进行了改进,用粒子的速度来产生一个随机数引导粒子向最优解快速靠拢,并对速度的处理采取了新的策略。仿真结果表明:该改进算法对收敛速度有非常好的改善,而且稳定性也较好。 相似文献
11.
12.
13.
14.
一种新的双予群PSO算法 总被引:2,自引:1,他引:1
提出一种新的双子群粒子群优化(PSO)算法。充分利用搜索域内的有效信息,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围。在不增加粒子群规模的前提下,提高解高维最优化问题的精度,降低粒子群优化算法陷入局部最优点的风险。3种典型函数的仿真结果及与2种经典PSO算法的比较结果验证了该算法的有效性。 相似文献
15.
粒子群算法(PSO)作为一种群智能算法,有效提高了投资组合模型的实用性,但存在搜索精度较低和易陷入局部最优的缺陷.为克服其缺点,本文提出基于天牛须搜索(BAS)的粒子群优化算法(简称BSO),并将其应用到包含完整费用的投资组合模型中.在基于天牛须搜索的优化算法中(BSO),每个粒子的更新规则源自BAS,在每次迭代中都有自己对环境空间的判断,而不仅依赖于PSO中历史最佳解决方案和粒子个体的当前全局最优解,从而减少迭代次数、提高搜索速度和精度.实证结果表明算法更具稳定性和有效性. 相似文献
16.
基于QPSO的数据聚类 总被引:1,自引:0,他引:1
在KMeans聚类、PSO聚类、KMeans和PSO混合聚类(KPSO)的基础上,研究了基于量子行为的微粒群优化算法(QPSO)的数据聚类方法,并提出利用KMeans聚类的结果重新初始化粒子群,结合QPSO的聚类算法,即KQPSO。介绍了如何利用上述算法找到用户指定的聚类个数的聚类中心。聚类过程都是根据数据之间的Euclidean(欧几里得)距离。KMeans算法、PSO算法和QPSO算法的不同在于聚类中心向量的“进化”上。最后使用三个数据集比较了上面提到的五种聚类方法的性能,结果显示基于QPSO 相似文献
17.
18.
19.
20.
针对粒子群算法容易早熟收敛和后期收敛速度慢的缺点,结合进化论中小生境技术,提出了小生境粒子群优化算法。通过粒子之间的距离找到具有相似距离的粒子个体组成小生境种群,然后在该种群里面利用粒子群优化算法进化粒子,所有个体经过其小生境群体的进化之后,找到最优的个体存入到下一代的粒子群中,直到找到满意的适应值为止。最后利用Shaffer函数验证了该算法的性能,并且与其他算法进行比较,结果表明该文算法能获得比较好的解,收敛成功率高,并且代价也比较小。 相似文献