暂无评论
针对量子粒子群优化(QPSO)算法在优化过程中面临早熟问题,提出了在粒子的平均位置或全局最优位置上加入高斯扰动的QPSO算法,可以有效地阻止粒子的停滞,因此较容易地使粒子避免陷入局部最优。为了评估算法
提出了一种基于动态粒子群优化的网格任务调度算法。设计了网格任务调度问题的数学模型,给出了自适应变异的动态粒子群优化算法的框架,引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容
针对标准粒子群优化算法易出现早熟收敛、搜索速度慢及寻优精度低等缺陷,提出一种基于随机惯性权重的简化粒子群优化算法。算法采用去除速度项的粒子群简化结构,通过随机分布的方式获取惯性权重提高新算法的局部搜索
粒子群优化算法的性能主要受其中参数的影响,尤其是惯性权重的影响,选择合理的ω能够平衡算法的全局和局部搜索能力。根据当前粒子的函数值调整学习因子,利用局部搜索的方法确定惯性权重,提高了算法的鲁棒性能。最
为克服粒子群优化算法(PSO)易陷入局部最优导致早熟收敛的问题,提出了一种新型的基于自适应驱散机制的粒子群优化(ADMPSO)算法。基本的粒子群优化算法易陷入局部最优,一般的改进算法在搜索过程之中对个
为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法(PSO-SMS)。算法包含重组、子群规模调整和探测三个模块。在演化初始阶段,整个
利用有序二叉决策图OBDD对二值图像序列数据进行建模,根据图像序列的帧间相关性,图像序列的OBDD共享了大量结点,节省一定的存储空间,为图像序列的有关处理提供了一个新的数据表示方法。
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
基于粒子群算法的小波神经网络,王乐,史健芳,小波神经网络常采用梯度下降法训练网络参数,但梯度下降法具有收敛速度慢、易陷入局部极小值等缺点。本文提出了用改进的粒子群算
基于粒子群算法的PID参数自整定,栾丽君,谭立静,PID控制器的参数整定,从优化的角度来说就是在Kp,Ki,Kd3个参数空间中寻找最优值,使系统的控制性能达到最优。粒子群优化(PSO)算法是一
暂无评论