全文获取类型
收费全文 | 95篇 |
免费 | 51篇 |
国内免费 | 18篇 |
专业分类
电工技术 | 3篇 |
综合类 | 3篇 |
化学工业 | 6篇 |
金属工艺 | 2篇 |
机械仪表 | 1篇 |
矿业工程 | 2篇 |
能源动力 | 3篇 |
水利工程 | 8篇 |
武器工业 | 1篇 |
无线电 | 22篇 |
一般工业技术 | 7篇 |
冶金工业 | 6篇 |
自动化技术 | 100篇 |
出版年
2023年 | 5篇 |
2020年 | 5篇 |
2019年 | 3篇 |
2018年 | 6篇 |
2017年 | 2篇 |
2016年 | 3篇 |
2015年 | 4篇 |
2014年 | 6篇 |
2012年 | 6篇 |
2011年 | 11篇 |
2010年 | 11篇 |
2009年 | 23篇 |
2008年 | 20篇 |
2007年 | 14篇 |
2006年 | 10篇 |
2005年 | 4篇 |
2004年 | 8篇 |
2003年 | 2篇 |
2002年 | 3篇 |
2001年 | 2篇 |
2000年 | 6篇 |
1999年 | 7篇 |
1994年 | 1篇 |
1988年 | 1篇 |
1986年 | 1篇 |
排序方式: 共有164条查询结果,搜索用时 15 毫秒
91.
种群维护是多目标进化算法的重要组成部分。针对传统方法在维护过程中只考虑分布性的情况,提出一种分布性与收敛性结合的种群维护策略,该方法用一种邻近个体间的相对趋近关系来表示其适应值,弥补了单纯Pareto支配关系的“粗糙性”,并用一种可调邻域的方法对种群的密集程度进行控制。将其与NSGA-II和SPEA2进行对比,实验结果表明该算法在有效保持种群分布性的同时,拥有良好的收敛性和速度。 相似文献
92.
93.
多目标进化算法在许多领域有广泛的应用,大部分文献都只针对二维与三维的测试问题,目标减少成为高维优化的热点之一.本文从决策者角度考虑冗余目标问题,提出了基于最小二乘法的目标减少算法(ORLSM),该方法将每个目标函数分段拟合为若干条直线段,然后比较各直线段之间的斜率来确定最冗余目标对,进而确定冗余目标.同时针对目标减少前后个体支配关系的变化情况,提出了支配关系改变率的评价方法.通过3个测试函数,分别用逆世代距离(IGD)、支配关系改变率(CDR)和时间效率3个方面,对同类的两个算法进行了性能测试.结果表明,ORLSM在总体上具有最好的性能:CDR和IGD具有基本一致的评价结果. 相似文献
94.
将极坐标的思想引入多目标遗传算法来保持解的多样性,由此提出了一种新的多目标遗传算法:PCGA2(Polar Coordinates Genetic AlgorithmsⅡ);分析了基于极坐标的分布度保持策略的时间复杂度,并通过实验将PCGA2同当前流行的两种多目标遗传算法(NSGA2和SPEA2)进行了比较。实验数据表明该算法不仅在时间耗费上比较低,而且所得到的解具有非常好的分布度。 相似文献
95.
文章基于极坐标的支配概念来描述多目标遗传算法中解之间的优劣关系,并由此提出了一种新的多目标遗传算法(PMOEA)。该算法可以通过参数的调节,让决策者在解的收敛性和分布性之间作折衷选择。在实验部分将PMOEA和NSGA2进行了性能比较,结果证实了PMOEA的性能可控性。 相似文献
96.
97.
文章针对解集分布非均匀的问题,提出了一种新的多目标进化算法,称之为GNEA(带小生境的网格进化算法)。在算法中,针对分均匀问题的特点,采用了小生境技术来保持解集的局部非均匀分布,以及网格技术来保证整个解集的分布度。为了让GNEA运行效率更高,提出了用庄家法构造非支配集的方法。最后通过与其他算法进行比较,验证了算法具有较好的运行效率,且在解决非均匀问题上是一种有效的多目标进化算法。 相似文献
98.
传统多目标优化算法(Multi-objective evolution algorithms,MOEAs)的基本框架大致分为两部分:首先是收敛性保持,采用Pareto支配方法将种群分成若干非支配层;其次是分布性保持,在临界层中,采用分布性保持机制维持种群的分布性.然而在处理高维优化问题(Many-objective optimization problems,MOPs)(目标维数大于3)时,随着目标维数的增加,种群的收敛性和分布性的冲突加剧,Pareto支配关系比较个体优劣的能力也迅速下降,此时传统的MOEA已不再适用于高维优化问题.鉴于此,本文提出了一种基于邻域竞赛的多目标优化算法(Evolutionary algorithm based on neighborhood competition for multi-objective optimization,NCEA).NCEA首先将个体的各个目标之和作为个体的收敛性估计;然后,计算当前个体向量与收敛性最好的个体向量之间的夹角,并将其作为当前个体的邻域估计;最后,通过邻域竞赛方法将问题划分为若干个相互关联的子问题并逐步优化.为了验证NCEA的有效性,本文选取5个优秀的算法与NCEA进行对比实验.通过对比实验验证,NCEA具有较强的竞争力,能同时保持良好的收敛性和分布性. 相似文献
99.
网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PFtrue对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟“最优点”的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法(δ-MOEA)具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。 相似文献
100.