粒子群算法的研究及应用pdf

介绍粒子群算法的研究现状重点讲解了粒子群算法的发展理论以及近几年来的改进算法

Research on Multi-objective Particle Swarm Optimization Algorithm

为了克服算法早熟收敛问题并提高算法精度,引入了膜计算理论。将PSO算法与P系统相结合,提出了一种基于P系统的粒子群优化算法(P-PSO),有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对

针对于粒子群算法（PSO）易早熟、参数相关性强以及高维数据难以优化的问题。通过引入多点力学计算和理论建模推导，提出了一个新的粒子速度的计算方法。通过理论推导和实验证明对理论结果进行仿真和测试，对于常见

针对非线性互补问题求解的困难，利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题，将该函数作为粒子群算法的适应值函数；

通过对标准粒子群算法中惯性权重的分析，提出了一种惯性权重正弦调整的粒子群算法。运用差分方程对粒子速度变化过程和位置变化过程进行分析，得到了粒子群算法的收敛条件。通过对4个典型的函数的测试，实验结果表明

粒子群算法的惯性权重调整策略，李丽，薛冰，惯性权重是粒子群算法改进的一个重要出发点，通过调整惯性权重可以大大提高算法的性能。本文在简要介绍粒子群算法原理、流程的基

粒子群（PSO）与K-means结合是聚类分析中的重要方法之一，但都未考虑粒子更新导致的空类问题。提出基于多子群粒子群伪均值（PK-means）聚类算法，为该问题的解决提供一种有效途径，并与粒子群K均

标准粒子群算法易陷入局部最优值。根据粒子群算法中的不确定性因素，提出自适应模糊的粒子群优化算法（AFPSO）。在该算法中，对惯性权值和位置更新采用模糊控制，用所有粒子的个体最优的加权平均替代全局最优值

为了进一步提高量子粒子群算法的精度，从描述粒子状态波函数的[δ]势阱特征长度[L(t)]出发，重新修改其评价方式。通过给群体中的每个粒子引入随机权重，生成随机权重平均最优位置来重新评价[L(t)]，以