暂无评论
提出了一种新的基于粒子群的多目标优化算法% 用搜索过程中所发现非劣解的一部分构成精英集"将其作为粒子群的历史最佳"引导粒子群的搜索"并通过小生境技术和部分变异的方法来提高非劣解集的多样性和分散性%
计算智能中的群智能，利用群智能来解决一些优化问题
基于粒子群算法利用Matlab平台对函数Rastrigrin函数、Griewank函数、Foxhole函数进行优化。
PSO算法是从这种生物种群行为特征中得到启发并用于求解优化问题的，算法中每个粒子都代表问题的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其
粒子群在搜索过程中容易陷入局部而无法找到全局最优值，为了解决此早熟问题，提出基于函数变换的改进混沌粒子群优化算法。此方法将Logistic映射和改进的Tent映射引入到粒子群中代替随机数；将函数变换引
提出了结合局部优化算法的改进粒子群算法（Combination Particle Swarm Optimization，CPSO），粒子群算法虽然通过群体规模来规避早熟，但缺乏局部快速搜索能力，因此将
本文从粒子群算法的基本原理、参数选择及应用等方面着手，通过对传统的粒子群算法收敛较慢、易陷入局部最优的问题的研究，提出了一种基于参数调整的改进方法，调整了传统的粒子群算法中的参数，使粒子寻优过程中速度
从研究分析粒子群算法和郭涛算法的特点出发，提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式，以子空间搜索和串行搜索相结合的多点并行搜索，扩大了算法的搜索范围，减少了粒子对初值的依赖，增强了
RBF网权值的量子粒子群优化算法
粒子群优化算法（PSO）简介，简单的介绍！简述粒子群算法的原理及改进！
暂无评论