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DSP和FPGA的多目标跟踪系统,刘金凤,,为了解决空中多目标跟踪中数据存储量、运算量大与实时处理之间的矛盾,本文先采用适合硬件移植的自适应分割算法和自适应中小目标
为了改进NSGAⅡ算法中存在的分布性等不理想问题,在NSGAⅡ的基础上提出了基于文化的多目标协同进化算法。该算法提出评测信念空间多样性的指标,从信念空间中提取知识,利用知识来指导种群的进化;提出知识假
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
提出一种新的多目标演化算法——基于斜率淘汰策略的多目标演化算法。利用基于斜率的淘汰策略,在演化过程中能以较低的时间复杂度更新精英空间、保存精英个体(Elitist),且取得的解数量大,既保证了近似解集
小波域阈值滤波因其实现最简单,计算量最小而得到广泛的应用,但对不同信号而言,其阈值函数的选择将直接影响到滤波效果。由GaoHongYe提出的半软阈值法,因其参数实现算法的复杂度大而没有得到有效的应用。
论文研究-基于神经网络的多目标综合评价.pdf, 本文提出了基于神经网络的多目标综合评价方法。这种方法通过利用神经网络对于以往成功的评价样本的学习, 使得神经网络反映评价指标的偏好, 从而代替评价人
该算法通过引用NSGA-II中的拥挤距离,确定外部档案中非支配解的拥挤度,依据竞标赛选择方法选出每个粒子的全局最优位置,引导每个粒子向处于较稀松区域的非支配解搜索,提高了解的多样性。动态变异算子的引入
论文研究-基于图层叠加的多目标选址模型.pdf, 分析了国防工程设施选址的目标和约束条件,研究建立了建设项目选址多目标决策模型.在MGIS(militarygeographicinformation
Research on Multi-objective Particle Swarm Optimization Algorithm