暂无评论
遗传算法与粒子群算法结合的多目标优化算法具有良好的通用性和可运行性。
本程序是关于FSP的粒子群多目标(加工时间及拖期时间)算法,通过pareto方法求解非劣解。
mopso多目标粒子群python
利用云模型云滴的随机性和稳定倾向性的特点，提出了一种云模型云滴机制的量子粒子群优化算法，该算法在量子粒子群优化的基础上，由云模型的X，Y条件发生器产生杂交操作，由基本云发生器产生变异操作，用于求解具有
为提高量子粒子群算法的寻优能力,文中提出一种新的正态云模型自适应变异量子粒子群算法。该方法采用正态云模型优化策略,引入自身最差粒子和全局最差粒子,结合自身最优粒子和全局最优粒子自适应调整势阱中心位置与
通过引入量子行为来增强粒子的全局收敛能力，提出了量子粒子群优化算法（QPSO），并用于求解整数规划问题。测试函数的仿真结果表明，通过适当的参数设置，并将每次迭代所生成的实数值截至整数值后进行下一次迭代
针对量子粒子群优化算法(QPSO)存在着保持种群多样性差、容易陷入局部最优等缺陷，将耗散操作算子引入到QPSO量子角度更新中，提出了改进的耗散量子粒子群优化算法(DQPSO)。为验证算法的有效性，将D
针对量子粒子群优化算法存在早熟收敛的问题，提出一种基于Logistics混沌映射变异的多种群量子粒子群优化算法（CMQPSO），采用分段Logistics混沌映射生成初始粒子群，根据适应度值将群体分为
首先分析粮食仓库选址的原则和影响因素等，研究建立了粮库选址模型；进而考虑带障碍约束条件，采用量子粒子群优化的空间聚类分析方法，解决了粮库选址问题；最后，以河南省粮库选址为实例进行了模型验证。实验表明，
分析了量子行为粒子群优化算法，着重研究了算法中群体粒子的搜索行为，对算法中局部吸引点进行了分析，提出针对粒子在搜索过程中所处的不同搜索环境，将粒子的搜索行为分为四种类型，并能够自适应地学习优化问题环境
暂无评论