提出了一种基于改进多目标粒子群优化算法的水库防洪调度算法(MOPSO-RFC)。该算法采用下泄流量编码方式;设计了一种基于邻域最大拥挤距离的全局极值选择算子,以保持更好的种群多样性;设计了一种基于差分
针对多目标粒子群算法进行了收敛性和分布性分析,提出了一种应用概率分配的自适应调整惯性因子的粒子群优化算法。该算法通过粒子非劣排序的支配等级,设定个体的适应度数值,为增强最优解集的分散性,采用拥挤距离对
为了提高算法的收敛性与非支配解集的多样性, 提出一种基于局部搜索与混合多样性策略的多目标粒子群 算法(LH-MOPSO). 该算法使用增广Lagrange 乘子法对非支配解进行局部搜索以快速接近Par
为提高多目标粒子群算法的局部搜索能力,提出了一种模糊学习子群多目标粒子群算法(FLSMOPSO)。在搜索过程中,每个粒子模糊自适应学习生成不确定的p个粒子形成一个子群而不是只产生一个新粒子,然后在其中
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