填充函数粒子群算法和多策略融合自适应粒子群算法及其在无功优化中的应用.doc

为了避免粒子群优化算法（PSO）早熟收敛，提出了一种自适应扰动的PSO算法（ADPSO），以帮助停滞的粒子跳出局部最优。为了验证算法的有效性，实验测试了九个多峰函数，包括四个旋转函数。仿真结果表明，该

提出Vague集（值）之间的新相似度量，给出一个区间值数据向Vague值数据的转化公式。农业领域的应用实例进一步表明这些公式是实用的。

为了提高基本PSO算法搜索性能和个体寻优能力，加快收敛速度，提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质，提

针对粒子群优化算法容易出现早熟收敛和稳定性低的现象,提出一种自适应调节的粒子群算法。算法中通过自适应调节适应度值的均匀分布保持种群的多样性,该策略能够提高算法的全局搜索能力,同时可避免阈值对算法稳定性

基本粒子群算法是一种常见的优化算法，本文将介绍其基本原理、算法流程和在优化问题中的应用。首先讲解基本粒子群算法的运作机制和优点，接着将针对matlab环境，演示一个基本粒子群算法的简单实现，最后介绍该

针对有功网损、电压偏差和静态电压稳定裕度的多目标无功优化问题,提出一种基于改进粒子群-禁忌搜索算法的多目标电力系统无功优化方法。以最小特征值模为电压稳定裕度指标建立了3个目标函数的单一妥协模型。应用K

粒子群优化算法及其参数设置 对在校大学生有用

针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在实际运算过程中与粒子寻优的非线性变化特点不匹配的问题，提出一种改进的粒子群算法。该算法采用多次随机初始化的策略初始种群位置，再对惯性权重引入随机

粒子群算法及应用主要讲解蚁群粒子群算法的原理和若干应用场景

粒子群算法解决函数优化问题 1 群智能算法研究背景 粒子群优化算法 Particle Swarm OptimizationPSO 是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础