提出一种基于粒子群算法的改进多目标文化算法并用于求解多目标优化问题. 算法中群体空间采用多目标 粒子群优化算法进行演化; 信念空间通过对形势知识、规范化知识和历史知识的重新定义使之符合多目标优化问题;
智能优化算法中的多目标粒子群算法(MOPSO)被广泛用于函数寻优,特别是在处理多目标问题时。MOPSO通过搜索配帕累托前沿和帕累托最优解集,解决了多个目标函数之间的相互矛盾。该算法在解决多目标问题方面
一些关于粒子群算法的文献-基于粒子群算法求解多目标优化问题.pdf关于粒子群算法的一些期刊论文
为进一步提高多目标粒子群算法的收敛性和多样性,提出一种多策略融合改进的多目标粒子群优化算法.首先,引入分解思想以增加Pareto解集的多样性;然后,在速度和位置更新时,引入“多点”变异,即随着迭代次数
提出一种空间联合概率数据关联的多目标粒子群优化(DS-MOPSO) 算法. 采用正态分布确保初始样本均匀分布, 通过采用拥挤距离和先验概率采样确立外部归档中非支配解的拥挤度来保持解的多样性; 采用Si
为了克服传统优化算法存在的计算量大以及参与调整的设备过多等不足,首先识别对节点增加的注入功率敏感的脆弱线路,并将其与重新定义的重载线路共同构成敏感线路集作为控制算法的约束条件;然后根据线路负载率以及灵
针对复杂图像背景下的多目标定位问题,采用K均值聚类-粒子群优化联合算法,应用排挤机制确定初始聚类质心;根据特征向量将目标粒子种群分为若干个子群,在每个目标子群中进行粒子优化更新;重复进行聚类和子群优化
提出了一种基于密度熵的多目标粒子群算法(EMOPSO)。采用一个外部集保存所发现的Pareto最优解(精英),并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度
基于粒子群的多目标优化演化算法,陈建国,宋中山,针对当前大部分多目标优化演化算法在处理多目标问题时算法设计复杂,耗时巨大,取得的近似Pareto前沿点不够多,分布不均匀,覆盖不
第30卷第3期 2009年9月渤海大学学报(自然科学版)JournalofBohaiUniversity(NaturalScienceEdition.30No.3VolSep.2009 粒子群算法在多