粒子群优化算法的改进.pdf

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

文化粒子群优化算法，艾景波，滕弘飞，为了提高粒子群优化（PSO）算法的计算精度和计算效率，避免“早熟”，本文给出文化粒子群优化算法。该算法模型将PSO纳入文化算法框

针对粒子群优化算法在处理高维复杂函数时存在收敛速度慢、易陷入早熟收敛等缺点，提出了混合粒子群优化算法。它借鉴群体位置方差的早熟判断机制，把基因换位和变异算子引入到算法中，构造出新的个体和个体基因的适应

结合小生境思想及灾变原理，提出了一种动态调整种群结构的粒子群算法（AGPSO）。该算法在获取局部最优区域后只留下部分粒子寻找局部最优点，同时将其他粒子进行灾变处理，然后约束在剩余区域进行新最优区域搜索

离散粒子群优化算法及其应用.pdf

基于社会系统中普遍存在“分久必合，合久必分”的现象，提出了基于分合思想的粒子群优化算法。分策略提高了演化群体的多样性，克服了粒子群优化算法局部收敛的缺陷。合策略吸取了不同群体的优良特性，提高了算法的全

针对断路器的能耗优化设计中复杂的多维参数设定常采用经验选取的方式，易导致断路器自身能耗过大。为此，提出一种结合鲶鱼效应与云模型的改进粒子群优化算法对其多维相关参数进行优化选取，先将传统的粒子群优化算法

粒子群优化算法的寻优算法适用于非线性函数极值寻优

ThispaperstudiestheapplicabilityofhybridizationofImprovedGA(IGA)andPSOtechniquestodataclusteringprob

为了有效提高粒子群优化算法的收敛速度和搜索精度,增强算法跳出局部最优,寻得全局最优的能力,提出了一种改进的简化粒子群优化算法。该算法考虑了粒子惯性、个体经验和全局经验对于位置更新影响力的不同,改进了位