共查询到20条相似文献,搜索用时 78 毫秒
1.
2.
为降低内建自测试(Build-in Self Test,BIST)的测试功耗,提出了一种基于确定性测试图形的内建自测试构建方法:首先采用D算法生成测试所需的测试图形,然后使用粒子群算法对其进行优化,使内建自测试的功耗大幅度降低;文中最后以ISCAS'85Benchmark中的部分电路作为实验对象,并给出了测试图形优化前后的功耗数;实验结果证明该方法能够有效降低内建自测试的测试功耗,并且具有方法简单、无需额外硬件开销的特点. 相似文献
3.
4.
5.
Rosenbrock函数优化属于无约束函数优化问题,其全局极小值位于一条平滑而狭长的抛物线形状的山谷底部,且为优化算法提供的信息很少,因此找到其全局极小值就显得很困难.根据Rosenbrock函数的这种特性,专门提出了一种改进的PSO算法(PSO-R),该算法引入三角函数因子,利用三角函数具有的周期振荡性,使每个粒子获得较强的振荡性,扩大每个粒子的搜索空间,引导粒子向全局极小值附近靠近,避免算法过早地收敛,陷入局部最优,从而找到Rosenbrock函数的全局极小值.大量实验结果表明,该算法具有很好的优化性能,为某些领域某些特定的类似于Rosenbrock函数的优化问题提供了一种新的思路. 相似文献
6.
PSO算法在工程优化问题中的应用 总被引:27,自引:3,他引:24
粒子群优化算法是群体智能中一个新的分支。该算法本质上是一种随机搜索算法,并能以较大概率收敛到全局最优,特别适用于连续函数的优化。针对工程中的优化问题,将粒子群算法与死亡罚函数法相结合,提出一种求解有约束问题的优化算法。通过与其它算法的比较,表明该算法是一种简单、高效和普适的算法。 相似文献
7.
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
8.
应用改进PSO算法求解待约束优化问题 总被引:1,自引:0,他引:1
为解决高维复杂CO问题,可将进化算法中保持物种多样性的思想引入基本PSO算法的方法。针对基本PSO算法在迭代后期粒子活性减弱的问题,引入‘吸引’和‘扩散’两个算子,对基本PSO算法的速度更新公式进行改进和考虑固定惩罚函数无法有效引导粒子向可行解方向搜索的缺点,提出LPFM方法替代固定惩罚函数法,以有效引导粒子进入可行解域,并在迭代后期加强对粒子的约束,使其不至因违背约束所获的收益大于所受的惩罚而收敛到不可行解域。最后对改进的PSO算法进行了试验,试验结果表明改进PSO算法对解决高维复杂CO问题是有效的。 相似文献
9.
基于集成协同PSO算法的车辆路径优化仿真 总被引:1,自引:0,他引:1
为提高物流配送效率,减小配送车辆的运输成本,提出采用改进的集成协同粒子群优化(PSO)算法来对路径进行优化。根据车辆路径问题的特点,采用极坐标对路径上的节点编码,并用权重表示其先后顺序,将其转化为连续PSO算法解决该问题。并且针对标准PSO算法存在的早熟问题,通过划分子种群来提高粒子的多样性,并利用集成学习,将粒子的每个维度视为个体学习者进行结合,提高搜索精度,构建了集成协同PSO算法。理论分析和实验表明,所采用的编码方式结合改进的集成协同PSO算法可以有效解决车辆路径问题。 相似文献
10.
基于PSO优化的SVM预测应用研究* 总被引:5,自引:2,他引:5
支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。 相似文献
11.
针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布 相似文献
12.
13.
14.
基于扩散机制的双种群粒子群优化算法* 总被引:6,自引:3,他引:3
为了避免标准粒子群优化算法(PSO)过早收敛的缺点,把热力学中的扩散现象引入到PSO算法的改进当中,提出了基于扩散机制的双种群粒子群优化算法(DPSO)。DPSO算法中定义了粒子的扩散能、种群的温度和粒子的扩散概率三个概念,两个群体中的粒子在进化过程中根据粒子的扩散概率被选入到各自种群的扩散池中,从而实现两个种群之间信息的交换和共享。通过解决典型的多峰、高维函数优化问题来证实DPSO算法的有效性,实验结果表明DPSO比标准PSO具有更高的性能。 相似文献
15.
16.
17.
18.
In this paper, a modified particle swarm optimization (PSO) algorithm is developed for solving multimodal function optimization problems. The difference between the proposed method and the general PSO is to split up the original single population into several subpopulations according to the order of particles. The best particle within each subpopulation is recorded and then applied into the velocity updating formula to replace the original global best particle in the whole population. To update all particles in each subpopulation, the modified velocity formula is utilized. Based on the idea of multiple subpopulations, for the multimodal function optimization the several optima including the global and local solutions may probably be found by these best particles separately. To show the efficiency of the proposed method, two kinds of function optimizations are provided, including a single modal function optimization and a complex multimodal function optimization. Simulation results will demonstrate the convergence behavior of particles by the number of iterations, and the global and local system solutions are solved by these best particles of subpopulations. 相似文献
19.
通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。 相似文献