Matlab多目标粒子群算法MOPSO与实例

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

针对复杂图像背景下的多目标定位问题,采用K均值聚类-粒子群优化联合算法,应用排挤机制确定初始聚类质心;根据特征向量将目标粒子种群分为若干个子群,在每个目标子群中进行粒子优化更新;重复进行聚类和子群优化

提出了一种基于密度熵的多目标粒子群算法（EMOPSO）。采用一个外部集保存所发现的Pareto最优解（精英）,并将外部集作为粒子的全局极值。为保证种群的多样性,当精英大于外部集的大小时采用一种基于密度

基于粒子群的多目标优化演化算法，陈建国，宋中山，针对当前大部分多目标优化演化算法在处理多目标问题时算法设计复杂，耗时巨大，取得的近似Pareto前沿点不够多，分布不均匀，覆盖不

第30卷第3期 2009年9月渤海大学学报(自然科学版)JournalofBohaiUniversity(NaturalScienceEdition.30No.3VolSep.2009 粒子群算法在多

提出一种自适应进化粒子群优化算法(AEPSO),以提高多目标优化PSO 算法的性能。 AEPSO 算法把非支配排序技术、自适应惯性权重和特殊的变异操作引入到PSO 算法中,来提高 算法的全局搜索能力和

大连理工大学 硕士学位论文 多目标优化的粒子群算法及其应用研究 姓名:陈绍新 申请学位级别:硕士 专业:软件工程 指导教师:周宽久 20071118 大连理工大学硕士学位论文 图2.1粒子信息传递示意

为了提升粒子群算法求解多目标问题的能力,通过分析初始种群的方法对算法的影响,提出一种基于正交设计的多目标粒子群算法(ODMOPSO)。在算法运行过程中,通过正交设计来产生初始种群,使得种群均匀分布在可