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
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
针对当前关于服务路径构建问题的研究主要围绕单一优化目标,构建时延最小、开销最低或负载均衡的服务路径,忽略了服务路径的综合质量,提出了一种基于离散粒子群优化的多目标服务路径构建算法(MOPSO)。为了提
针对动态多目标问题求解,提出一种基于分解的预测型动态多目标粒子群优化算法.首先借助分解思想,将目标问题划分为多个不同的子问题,当问题动态变化时,选择对应于不同子问题的优化个体检测环境变化程度,以提高算
结合Pareto 支配思想、精英保留策略、锦标赛和排挤距离选择技术, 对传统的粒子更新策略进行改进, 给出了一种新的粒子淘汰准则, 提出了一种基于Par et o 最优解集的多目标粒子群优化算法。
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
Basic opencv particle filter target tracking
姿势:基于硬件的友好的基于粒子的观测选择PHD滤波器的设计
粒子群多目标优化算法,求解帕累托最优解,实现多目标优化,代码中包含案例,可运行
根据Coello和Pulido等在2004年发表的文章HandlingMultipleObjectivesWithParticleSwarmOptimization制作,内附原文及代码