共查询到19条相似文献,搜索用时 93 毫秒
1.
文化基因算法(Memetic Algorithm)研究进展 总被引:6,自引:0,他引:6
刘漫丹 《自动化技术与应用》2007,26(11):1-4,18
文化基因算法(memetic algorithm)是Pablo Moscato提出的建立在模拟文化进化基础上的优化算法,它实质上是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体.文化基因算法的概念被提出后,已被越来越多的研究人员接受和采纳.本文主要介绍了文化基因算法的起源、实现过程,以及在各类优化问题中的应用情况. 相似文献
2.
粒子群算法研究与展望 总被引:3,自引:0,他引:3
介绍了基本粒子群算法,归纳了粒子群算法的研究现状和改进,包括:增加惯性因子的改进;基于收敛性分析的改进;导入其他演化算法思想的改进;建立非数值问题模型的改进.简要分析了PSO算法的应用.最后对PSO的研究现状做出总结和展望,提出未来的几个研究热点. 相似文献
3.
4.
微粒群优化算法是一种新兴的基于群体智能的随机优化算法。该算法概念简单、易于实现,已得到了广泛的研究和应用。文中介绍了PSO的基本原理、算法流程及各种改进算法,然后归纳了PSO算法的应用概况,并就PSO算法进一步的研究工作进行了探讨和展望。 相似文献
5.
微粒群优化算法是一种新兴的基于群体智能的随机优化算法。该算法概念简单、易于实现,已得到了广泛的研究和应用。文中介绍了PSO的基本原理、算法流程及各种改进算法,然后归纳了PSO算法的应用概况,并就PSO算法进一步的研究工作进行了探讨和展望。 相似文献
6.
7.
8.
9.
粒子群算法(Particle Swarm Optimization,PSO)是仿真生物群体的社会行为的一种智能优化算法,现在已广泛应用到各种优化计算中。PSO算法的权重参数采用随迭代而递减的时变策略,权重时变值一般是根据试验结果来确定的,很少通过理论分析来选择权重。利用PSO算法的理论模型,分析权重值对算法的影响,并说明PSO算法采用时变权重的合理性。进一步根据分析模型,提出一种权重可以随迭代而递增的PSO算法模型。通过利用经典的基准函数,经仿真试验验证,这种权重递增的PSO算法优于传统权重递减的PSO算法,并且其性能与标准PSO算法相当。 相似文献
10.
一种具有感觉的微粒群算法 总被引:4,自引:0,他引:4
针对耗散式微粒群算法对历史经验有限的利用能力,提出了一种新颖的具有感觉特征的群体智能算法,它通过对个体建立感觉模型,对受外界刺激产生的感觉强度进行量化,使个体在自身认知及社会活动环节中表现出了合理的自适应能力.对群体智能中感觉活动这个系统复杂性层面的考虑使算法具备完善的全局、局部搜索和协调能力.对常用单峰多峰基准函数的测试验证了该算法的效率和优越性,而且简洁易实现.最后对算法的参数也做了分析与讨论. 相似文献
11.
群智能是一种仿生自然界动物昆虫觅食筑巢行为的新兴演化计算技术。目前主要的群智能优化算法有蚁群算法、微粒群算法和人工鱼群算法。本文介绍了群智能算法的产生、发展和优点,并着力阐述了上述三种典型算法的基本原理,同时概述了各算法的应用现状,最后提出了算法将来有待研究的内容。 相似文献
12.
13.
提出一种基于文化算法的粒子群优化算法(PSO).该算法在群体空间采用基于高斯概率分布和柯西概率分布的改进PSO算法,在信念空间根据形势知识和规范化知识指导种群的进化,充分利用优秀个体所包含的信息,提高了算法的进化速度.实验表明,该算法的优化性能和效率优于基本PSO算法. 相似文献
14.
微粒群优化算法及其改进形式综述 总被引:16,自引:5,他引:16
微粒群优化算法是一类新的基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法利用微粒之间的相互作用发现复杂问题解空间的最优候选区域。该文综述了算法的基本形式及其多种改进形式,并给出了未来可能的研究方向。 相似文献
15.
粒子群优化算法是一类基于群体智能的启发式全局优化技术,群体中的每一个微粒代表待解决问题的一个候选解,算法通过粒子间信息素的交互作用发现复杂搜索空间中的最优区域。本文介绍了粒子群优化算法的基本原理,并通过建立记忆表,详尽描述了粒子群优化算法中个体极优和全局极优的搜寻求解过程。同时,本文还给出了多种改进形式以及研究现状,并提出了未来可能的研究方向。 相似文献
16.
图像分割的通用方法一直是图像处理领域中的热点和难点.随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法.群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路.阐述群体智能... 相似文献
17.
18.
随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法(Bat Algorithm,BA)、灰狼优化算法(Grey Wolf Optimization,GWO)、蜻蜓算法(Dragonfly Algorithm,DA)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)和麻雀搜索算法(Sparrow Search Algorithm,SSA),并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。 相似文献