多目标粒子群算法优化

针对粒子群算法求解多目标问题极易收敛到伪Pareto 前沿(等价于单目标优化问题中的局部最优解), 并且 收敛速度较慢的问题, 提出一种?? 占优的自适应多目标粒子群算法(??DMOPSO). 在??

Matlab粒子群优化算法-粒子群优化算法.rar粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题, 提出一种基于自适应进化学习的约束多目标粒子群优化算法. 该算法根据不符合约束条件粒子的约束违反程度, 修正优化算法的进化学习公式, 提高算法在约束边界区

提出一种基于随机黑洞粒子群算法(RBH-PSO) 和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE) 算法. 利用RBH-PSO 全局优化能力强和收敛速度快的优点逼近Pareto 最优解; 为了

无线传感器网络中多移动代理协作能快速高效地完成感知数据汇聚任务,但是随着移动代理访问数据源节点数的增加,移动代理携带的数据分组会逐渐增大,导致传感器节点能量负载不均衡,部分数据源节点能耗过快,网络生存

提出一种相角粒子群优化算法求解多目标优化问题. 该算法采用相角映射实现了粒子在相角空间上仅依赖 于归一化多目标函数的快速搜索, 在粒子飞行信息共享机制上引入共享池概念, 提出基于关联支配排序和相似度排

将进化算法应用于某些多目标优化问题时,采用增加种群规模和进化代数的方法往往耗费大量的目标函数计算开销,且达不到提高种群进化效率的目的,为此提出了一种基于自适应学习最优搜索方向的多目标粒子群优化算法。采

提出了一种融合蚁群系统、免疫算法和遗传算法的混合算法。将免疫算法和遗传算法引入到每次蚁群迭代的过程中，利用免疫算法的局部优化能力和遗传算法的全局搜索能力，来提高蚁群系统的收敛速度。该算法通过遗传算法的

提出一种改进的多目标粒子群优化算法，该算法采用精英归档策略，由档案库中的非劣解提供粒子速度更新时的全局最优位置，根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的

在进行函数优化时，遗传算法具有全局搜索能力强的特点，但其存在早熟收敛和后期收敛速度慢及局部搜索能力弱的问题。网格蚂蚁算法具有局部搜索能力强、优化精度高等特点，但其全局收敛速度较慢。因此提出了用于连续优