采用对基本粒子群优化算法引入遗传操作来提高种群多样性,这样虽能避免产生局部极小,但收敛速度会降低,通过加入收缩因子来达到两者的均衡。优化和仿真结果表明改进算法性能更优,能有效地解决公交车辆的智能排班问
粒子群优化算法(PSO)是一种基于群体智能的优化算法,近年来在解决多维优化问题中取得了显著的成果。本研究通过对23个不同维度的测试函数进行广泛测试,评估了PSO算法在处理多维优化问题时的性能。测试涵盖
为了解决动态改变惯性权重的自适应粒子群算法不易跳出局部最优的问题,提出了一种自适应变异的动态粒子群优化算法。在算法中引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局
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
针对无能力限制的Lot-sizing 问题, 提出一种改进的离散粒子群优化算法. 设计粒子编码为生产设备的调整 状态, 通过有效的解码程序将粒子解释为生产计划. 区别于传统的粒子群算法, 算法采用单切
求解矩形排样问题的离散粒子群算法,非常的有用,很有价值。
这是一个用混合粒子群算法解决TSP问题的代码示例。
针对粒子群优化算法(Particle Swarm Optimization,PSO)存在收敛速度慢、寻优精度低和早熟收敛的问题,提出一种最优粒子增强探索粒子群算法(Optimal particle E
对APSO进行并行化操作,显著的提高了APSO的性能。并行化是一种简单高效的优化方法
为改善多目标粒子群算法的收敛性和多样性,通过对粒子群算法全局极值和个体极值选取方式的研究,采用随机选取和评估选取相结合的方法选取全局极值和个体极值,提出了一种可用于解决多目标优化问