分析了粒子群算法的惯性部分、个体认知部分和群体认知部分的作用,对粒子群算法迭代方程的各部分进行变形,获得了三种新形式的粒子群算法。用算例说明所得到的三个新的粒子群算法具有较好的优化能力。
针对多目标粒子群算法存在的问题,提出了一种可行性规则动态调整的多目标粒子群算法。在算法中,根据粒子之间的相似度值动态非线性地更新算法的惯性权重,使得算法可以高效地平衡全局和局部搜索之间的矛盾;采用动态
为了使多目标粒子群算法中种群粒子能够快速地收敛于帕累托最优边界,针对标准多目标粒子群算法中缺乏粒子评价标准以及种群个体历史最优值位置和全局最优值位置选择问题,提出了一种基于环境选择和配对选择策略的多目
针对粒子种群较差的局部搜索能力,提出了一种自适应种群更新策略的多目标粒子群算法。该算法在每次种群进行迭代时,根据种群的多样性测度以及每个粒子的适应度值,自适应地改变速度权重,以此来提高种群粒子在局部搜
为了克服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)和收敛速度较慢的缺陷,提出一种合并帕累托占优概念到动态邻居和变异因子的粒子群算法(particlesw
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
针对粒子群优化算法稳定性较差和易陷入局部极值的缺点,提出了一种新颖的混沌粒子群优化算法。一方面,在可行域中应用逻辑自映射函数初始化生成均匀分布的粒群,提高了初始解的质量和增加了算法的稳定性;另一方面,
提出一种三态协调搜索多目标粒子群优化算法. 该算法提出的三态指导粒子选择策略可以很好地协调算法的局部和全局搜索能力, 且算法改进了传统的外部档案保存机制, 同时引入3 种突变因子, 使获得的非劣解具有
应用粒子群算法求解多目标优化问题 应用粒子群算法求解多目标优化问题 matlab代码 应用粒子群算法求解多目标优化问题 matlab代码
混沌粒子群混合优化算法,王大均,李华平,粒子群优化算法(PSO)具有收敛速度快但易陷入局部最优点的特点,因此本文将在结合混沌运动的遍历性、伪随机性和对初值的敏感性等