版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法是一種基于搜索策略的自適應隨機優(yōu)化算法。由于該算法簡單有效,自從提出后就得到了廣泛的關注。但現(xiàn)階段對PSO算法的研究還不夠完善,算法核心部分的參數(shù)選擇仍然有很大的爭議。目前許多對算法的改進,在提高了算法性能的同時,也增加了算法的運算復雜度,這不適合于對算法收斂速度要求較高的應用,因此選擇粒子群優(yōu)化算法為研究對象,找到一種能夠提高算法收斂速度又不增加算法復雜度
2、的改進方法是很有意義的。
多目標優(yōu)化是優(yōu)化問題的主要研究領域之一,因為多目標優(yōu)化問題在實際應用中非常普遍。因此,解決多目標優(yōu)化問題也是一個非常有實際意義和科研價值的課題。而用傳統(tǒng)方法解決此類問題有很多的限制,但是隨著進化算法的發(fā)展,解決多目標優(yōu)化問題的多目標進化算法(MOEA)已取得了較好的研究成果,其中最具代表性的多目標進化算法包括:NSGA2和SPEA2和MOPSO等。
目前國內外已有部分相關研究成果,但是它們在
3、解集分布性,收斂性方面仍然存在不足。在吸取已有成果的基礎上,本文針對單目標優(yōu)化和多目標優(yōu)化提出了改進的具有量子行為的粒子群算法(MDQPSO)和基于擁擠度和動態(tài)權重聚合的多目標粒子群優(yōu)化算法(CDDWA-PSO)。其中 MDQPSO算法通過對一系列的測試函數(shù)進行試驗,試驗結果表明該算法在收斂速度和穩(wěn)定性上都較原算法有較大的改善。而CDDWA-PSO算法通過對三個典型測試函數(shù)的仿真,度量該算法的三個性能指標表明,該改進算法性能較好,能很好
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 粒子群及量子行為粒子群優(yōu)化算法的改進研究.pdf
- 改進的粒子群優(yōu)化算法.pdf
- 粒子群優(yōu)化算法的改進研究.pdf
- 改進的粒子群優(yōu)化算法的研究.pdf
- 粒子群優(yōu)化算法的研究與改進.pdf
- 粒子群優(yōu)化算法及其改進.pdf
- 粒子群優(yōu)化算法的改進方法研究.pdf
- 粒子群優(yōu)化算法的研究和改進.pdf
- 粒子群優(yōu)化算法的改進研究及其應用.pdf
- 粒子群優(yōu)化算法的改進及其應用
- 粒子群優(yōu)化算法粒子群優(yōu)化算法簡介
- 粒子群優(yōu)化算法的分析及改進.pdf
- 粒子群優(yōu)化算法的改進及其應用.pdf
- 粒子群優(yōu)化算法的改進與應用.pdf
- 基于改進粒子群優(yōu)化算法的聚類算法研究.pdf
- 基于優(yōu)化控制思想的粒子群優(yōu)化算法改進研究.pdf
- 粒子群優(yōu)化算法粒子群優(yōu)化算法簡介
- 多目標粒子群優(yōu)化算法的研究改進.pdf
- 粒子群優(yōu)化算法的改進研究及應用.pdf
- 改進粒子群優(yōu)化算法的圖像匹配.pdf
評論
0/150
提交評論