为了克服标准量子粒子群优化( SQPSO) 算法易陷入局部最优的缺点,引入变异机制,基于进化阶段的 概念,提出了自适应阶段变异量子粒子群优化( APMQPSO) 算法。以四种不同的变异概率减小方式阶段
传统K-means算法除了对初始聚类中心的选择非常敏感,易收敛到局部最优解外,还存在着K值难以确定的问题,不合适的K值往往会得到较差的聚类结果。而K值问题也是聚类分析中的一个重要的研究方向,在粒子群聚
为了提高传统自适应粒子群优化算法的鲁棒性,由[X]条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能
自适应权重的粒子群算法
提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新
粒子群的简单介绍,可以看一下,便于对于粒子群的了解
针对单站系统利用一次观测对目标进行定位,瞬时定位误差较大,提出了基于UKF的红外目标空间定位方法。基于针孔成像模型,借鉴主动视觉思想,通过控制红外热像仪运动拍摄目标图像,获取目标位置,并用GPS接收机
提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法,多个粒子群彼此独立地搜索解空间,从而增强了全局搜索能力;利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小,从而有效地
随着海洋开发的日益频繁,人们对动力定位系统(Dynamic Positioning System DPS)的需求越来越大,推力分配作为动力定位中的关键问题,受到了广泛关注。针对这一现状,文中提出将自适
针对地震勘探资料依赖线性优化方法进行波阻抗反演不易得到全局极值的问题,提出一种改进的粒子群优化算法—自适应粒子群优化算法进行波阻抗反演。自适应粒子群优化算法是以群智能优化理论为基础,通过3种可能移动方