共查询到20条相似文献,搜索用时 140 毫秒
1.
针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力. 相似文献
2.
3.
基于遗传 PSO 的无线传感网络覆盖优化算法研究 总被引:3,自引:0,他引:3
沈海洋 《微电子学与计算机》2013,(3)
针对基于标准粒子群算法的网络覆盖存在收敛速度慢、易早熟等问题,提出一种基于遗传 PSO 的无线传感网络覆盖优化算法.以无线传感器最大覆盖率为目标函数,通过运用加入自适应交叉变异因子的遗传算法搜索解空间,利用 PSO 粒子群强大的全局搜索能力加大搜索范围,使粒子覆盖更有效率,加强算法的寻优能力,提高节点的覆盖率,解决早熟问题.仿真实验表明,与传统遗传算法、新量子遗传算法相比,其覆盖率分别提高了2.28%和0.65%,收敛速度也有所提高,因此该方法能有效地实现无线传感网络覆盖优化. 相似文献
4.
为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现. 相似文献
5.
多粒子群协同进化算法是一种群智能算法,具有智能性、通用性、并行性和全局搜索能力,能够很好地解决全局寻优问题,但其保持粒子多样性的机制和协同进化的机制有待做进一步的改进.为了进一步提高多粒子群协同进化算法的寻优效率,提出了一种结合极值优化的多粒子群协同进化算法,它将多粒子群协同进化算法的全局搜索能力与极值优化算法的局部搜索能力进行了结合.最后通过实验验证了该算法的有效性. 相似文献
6.
《红外技术》2016,(6):499-504
针对红外型气体传感器测量精度受环境温度影响较大的问题,提出一种基于嵌入自适应列维变异的动态拓扑免疫粒子群-最小二乘支持向量机(DLIPSO-LSSVM)温度补偿算法。DLIPSO算法在粒子群优化过程中采用动态拓扑Dbest机制以更好地适应粒子群进化过程;为确保粒子多样性,平衡局部搜索与全局搜索,算法嵌入自适应列维变异对粒子进行变异。利用基准测试函数对DLIPSO算法进行性能对比评价,仿真结果表明算法具有较强的全局搜索能力、精度高且稳定性较好。利用DLIPSO算法对LS-SVM的参数进行优化,将混合算法用于实际红外气体传感器的温度补偿,实验数值结果表明算法可将补偿结果的相对误差控制在5%范围内。 相似文献
7.
针对粒子群算法易陷入局部最优解的问题,提出一种改进惯性权重的粒子群优化算法(CWPSO)。首先引入Sigmoid函数构造自适应的惯性权重策略;然后引入线性递减的惯性权重策略;最后通过群体适应度方差将自适应惯性权重策略和线性递减惯性权重策略动态结合,构造综合惯性权重策略,以提高算法全局搜索和局部搜索的能力。实验结果表明,CWPSO算法的寻优性能相较于对比算法有明显提升。 相似文献
8.
将改进的粒子群算法(PSO)与参数跟踪策略(PTS)及动态搜索域相结合形成一种新的混合算法,用于求解电磁领域中复超越方程的高精度求根问题.在算法实现过程中,采用在粒子群算法中加入基于群体适应度方差的自适应变异操作来增加群体多样性,有效地避免算法陷入早熟收敛;使用参量跟踪策略有效地缩小了粒子群算法搜索区域,保证了解的单一性,提高了运算速度;使用动态搜索域提高了解的精度,并使运算速度得以进一步提高.通过实例说明该混合算法能够精确地解决复超越方程中的多值问题,解集完备性好,且与现有结果相吻合. 相似文献
9.
基于粒子群优化的反潜搜索研究 总被引:5,自引:4,他引:1
在分析目前反潜搜索现状的前提下,提出了使用粒子群优化算法进行反潜搜索,并针对基本粒子群优化算法存在早熟和后期收敛速度慢的局限性,对个体极值实行高斯变异,并使惯性因子随进化代数自适应调节,提高了全局搜索能力和后期收敛速度,改进了粒子群优化算法的潜艇搜索策略.经过实验验证,本算法可以有效地提高反潜搜索效率. 相似文献
10.
为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率. 相似文献
11.
自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法(CPSO)的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。 相似文献
12.
13.
14.
Micael S. Couceiro Rui P. Rocha N. M. Fonseca Ferreira J. A. Tenreiro Machado 《Signal, Image and Video Processing》2012,6(3):343-350
One of the most well-known bio-inspired algorithms used in optimization problems is the particle swarm optimization (PSO), which basically consists on a machine-learning technique loosely inspired by birds flocking in search of food. More specifically, it consists of a number of particles that collectively move on the search space in search of the global optimum. The Darwinian particle swarm optimization (DPSO) is an evolutionary algorithm that extends the PSO using natural selection, or survival of the fittest, to enhance the ability to escape from local optima. This paper firstly presents a survey on PSO algorithms mainly focusing on the DPSO. Afterward, a method for controlling the convergence rate of the DPSO using fractional calculus (FC) concepts is proposed. The fractional-order optimization algorithm, denoted as FO-DPSO, is tested using several well-known functions, and the relationship between the fractional-order velocity and the convergence of the algorithm is observed. Moreover, experimental results show that the FO-DPSO significantly outperforms the previously presented FO-PSO. 相似文献
15.
为了辨识压电陶瓷中的迟滞非线性,该文提出一种改进的粒子群算法(PSO)对非对称BoucWen模型进行参数优化。首先在归一化BoucWen模型中引入非对称因子描述非对称特性,解决该模型只适用于描述对称迟滞的问题。其次通过引入混沌映射、收缩因子和动态学习因子来对传统PSO进行改进,动态改变粒子群的权重和学习因子,有效地提高算法的搜索能力和收敛速度。最后通过改进的PSO对非对称BoucWen模型进行参数辨识。结果表明,改进的粒子群算法能较好地辨识BoucWen模型参数,验证了方法的有效性。 相似文献
16.
《AEUE-International Journal of Electronics and Communications》2014,68(5):369-378
In this paper a variant of particle swarm optimization (PSO), called craziness based particle swarm optimization (CRPSO) technique is applied to the infinite impulse response (IIR) system identification problem. A modified version of PSO, called CRPSO adopts a number of random variables for having better and faster exploration and exploitation in multidimensional search space. Incorporation of craziness factor in the basic velocity expression of PSO not only brings diversity in particles but also ensures convergence to optimal solution. The proposed CRPSO based system identification approach has alleviated from the inherent drawbacks of premature convergence and stagnation, unlike real coded genetic algorithm (RGA), particle swarm optimization (PSO) and differential evolution (DE). The simulation results obtained for some well known benchmark examples justify the efficacy of the proposed system identification approach using CRPSO over RGA, PSO and DE in terms of convergence speed, unknown plant coefficients and mean square error (MSE) values produced for both the same order and reduced order models of adaptive IIR filters. 相似文献
17.
18.
19.
20.
一种改进的自适应进化粒子群优化算法 总被引:1,自引:0,他引:1
针对粒子群优化算法容易陷入局部极值点以及进化后期收敛慢和优化精度较差等缺点,提出一种改进的自适应进化算法.该算法引入信息扩散函数,根据不同粒子的位置及对应适应值与当前群体最佳位置和最佳适应值的关系,控制粒子变尺度向群体当前最佳位置移动;基于多样性反馈机制动态调节惯性权值和控制粒子群的微变异.通过复杂基准函数的仿真优化结果表明,改进算法具有抑制早熟、收敛速度快、求解精度高的特点. 相似文献