粒子群算法中基于惯性权重和学习因子的动态调整方法吴永红.pdf

动态粒子群算法模拟鸟群觅食行为，通过信息共享寻找最优解。每只“鸟”（粒子）在搜索空间中移动，记录并分享自身找到的最优位置。所有粒子根据自身经验和群体共享信息调整搜索方向，最终找到全局最优解。

针对传统粒子群算法过早收敛，趋向于局部最优的问题，提出了一种新的改进的粒子群算法。 自适应惯性权重因子用于加快收敛速度​​，混沌序列用于调整加速度系数，以实现勘探与开发之间的平衡。 通过与非支配排序遗

为提高粒子群优化算法在优化问题中的效率，提出了并行粒子群优化算法(SLPSO)。其基本思想是并行机制解空间压缩分层搜索。主要工作包括：搜索空间划分为n个区，由n个子群并行搜索，将搜索结果最好的作为指定

针对标准粒子群优化算法不易跳出局部寻优、搜索精度低等缺陷，提出了等高随机替换策略，运用简化粒子群算法进行更新，加快了粒子寻优能力；并且对适应值最差的一部分粒子，采用了最优随机反方向搜索策略，保证了算法

受生物体免疫系统免疫机制的启发，论文把免疫系统的免疫信息处理机制引入到粒子群优化算法中，给出了免疫粒子群优化算法。这种免疫粒子群优化算法结合了粒子群优化算法具有的全局寻优能力和免疫系统的免疫信息处理

介绍了粒子群优化算法及该算法的优越性, 并与遗传优化算法进行了比较; 针对经典粒子群算法存在的 不足, 介绍了一个改进的动态改变惯性权的自适应粒子群算法; 最后, 以神经网络为例给出了粒子群优化算法的

利用遗传，模拟退火以及粒子群算法来求解TSP问题

针对现有的局域多能互补系统中供能设备种类多、系统结构复杂等原因导致的供能设备能源利用率低,以及多能互补系统整体运营效率低等问题。文中基于适用于园区的局域多能互补系统的典型结构,提出了一种供能配比优化模

基于粒子群算法的声发射波束形成定位方法

对骨干粒子群优化(BPSO)种群多样性迅速丧失的原因进行分析, 提出层次学习骨干粒子群优化算法以克服早熟现象.该算法中粒子依不同的学习概率向粒子自身的最优粒子、优胜粒子 和群体最优粒子学习, 该机制使