针对约束优化问题,提出了一种融合粒子群的教与学算法。算法采用了一种自适应的教学因子,使得算法的搜索性能可以自适应地调整。引入了自我学习和相互学习的学习模式,使得信息交流更加多样化,增强了算法的全局搜索
为提高粒子群算法的寻优精度,提出一种将单纯形法(SM)与粒子群(PSO)算法相结合的自适应混合粒子群优化(AHPSO)算法。该算法根据进化需要动态调整粒子的惯性权重,并在进化停滞时使用SM优化。通过仿
为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确
针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都
为了提升粒子群优化算法(particleswarmoptimization,PSO)的性能,提出了一种基于网格划分的自适应粒子群优化(grid-basedadaptiveparticleswarmop
为解决粒子群优化算法前期搜索盲目,后期搜索速度慢且易陷入局部极值的问题,对算法中粒子更新方式和惯性权重进行了改进,提出了一种基于引导策略的自适应粒子群优化算法(improvedparticleswar
在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随
针对粒子群多模优化问题中存在的易早熟、收敛速度慢及寻优精度低等问题,提出了一种快速多种群的粒子群多模优化算法。首先采用动态半径及种群划分策略,避免了多种群区域重叠问题；然后引入拓扑机制,使种群内粒子在
针对粒子群优化算法中出现早熟和不收敛问题,分析了基本PSO算法参数对其优化性能的影响,提出了基于非线性权重的自适应粒子群优化算法(NWAPSO)。在优化过程中,惯性权重随迭代次数非线性变化,改进的算法
针对复杂背景下的运动目标跟踪特征选择问题,提出了一种基于粒子群优化的目标跟踪特征选择算法。假设具有目标与背景间最好可分离性的特征为最好的跟踪特征。通过构建目标与背景的图像特征分布方差的比值函数作为衡量
