搜索资源列表
旅行商问题的改进粒子群算法
- 旅行商问题的改进粒子群算法
基于粒子群最短路径的研究与应用
- 基于粒子群最短路径的研究与应用,使得问题更加容易解决-The shortest path based on particle swarm research and application,Makes the problem easier to solve
蚁群算法
- 蚁群算法/ 蚁群算法/Matlab中文论坛--助努力的人完成毕业设计.url 蚁群算法/一种快速求解旅行商问题的蚁群算法.pdf 蚁群算法/使用帮助:新手必看.htm 蚁群算法/基于改进蚁群算法对最短路径问题的分析与仿真.pdf 蚁群算法/基于改进蚁群算法的出租车路径规划算法.pdf 蚁群算法/基于改进蚁群算法的最短路径问题研究.pdf 蚁群算法/基于蚁群算法的公交路线走向模型及其求解.pdf 蚁群算法/基于蚁群算法的完全遍历路径规划研究.PDF 蚁群算法/用蚂蚁算法和模拟退火
基于混合粒子群的土壤水分特征曲线参数优化
- 摘要:土壤水分特征曲线是研究土壤水运动的重要参数。Van Genuchten 方程(简称VG方程)是目前运用最广泛的土壤水分特 征曲线方程。将VG方程参数计算问题转化为一个非线性优化问题,然后构建单纯形算法和基本粒子群算法相结合的混合粒子 群算法对其进行求解。仿真实验结果表明采用混合粒子群算法与普通遗传算法、混合遗传算法、基本粒子群算法相比,不但提高 了收敛成功率、降低了迭代次数,而且对参数的取值范围也放宽了;采用混合粒子群算法计算参数的精度比非线性单纯形法和阻 尼最小二乘法要高,且不需
求解机械优化的Pareto多目标中心粒子群算法
- 摘要:针对基于权重法的多目标算法无法求解约束多目标问题的缺陷,将中心粒子群算法与Pareto 解集搜索算法相结合,提出 一种Pareto 多目标中心粒子群算法。将此方法用来优化气门弹簧的模型,实验结果表明,该优化方法能够快速准确地收敛于Pareto 解集,并且使其对应的目标域均匀地分布于Pareto最优目标域。
no3
- 基于粒子群算法求解二维不规则零件排样问题的方法-Based on Particle Swarm Algorithm for two-dimensional irregular parts nesting problems
GoodsAllocatingProblemwithMultiAimsbasedonTheHybri
- 多目标货物配装问题是一个复杂的组合优化问题,属于NP难问题,本文用混合粒子群算法求解多目标货物配装问题。混合粒子群算法在基本粒子群算法的基础上,通过引进遗传算法中的交叉和变异的策略,避免了陷入局部最优,加快了达到全局最优的收敛速度。此外,本文提出用权重系数来平衡各目标使各目标都能达到相对较优的效果。-Multi-objective loading of goods is a complicated combinatorial optimization problems are NP hard p
20090316082518135
- 采用改进的粒子群算法解决生产优化中的问题 -Particle Swarm Optimization algorithm to solve the production
Intelligentapplicationofthealgorithms
- 智能化算法的应用,介绍了各种智能算法的概况,详细介绍了蚁群算法、免疫算法、遗传算法、粒子群算法在配电网重构中的应用,可以管中窥豹地学习智能算法在具体问题中的应用-The application of intelligent algorithms, introduced an overview of the various intelligent algorithms, detailed information on ant colony algorithm, immune algorithm,
pos
- MATLAB粒子群算法工具箱求解水电站优化调度问题 -Particle swarm optimization MATLAB toolbox for solving optimal operation of hydropower station
b
- 一种求解Job-Shop调度问题的 混合自适应变异粒子群算法 -Solving Job-Shop scheduling problem by hybrid particle swarm optimization with adaptive mutation
362465378
- 工程应用中的多峰寻优问题要求搜索目标函数的多个极值点,现有的多峰优化方法难以直接利用应用 问题的先验知识引导算法过程,多峰寻优效率较低。基于粒子群优化算法设计一种面向应用的多峰寻优算法, 能有效利用易于获得的先验参数,如峰间分辨率、峰位置精度、峰值个数等实现快速多峰搜索。该算法保持了粒 子群算法的简单性并改善了搜索多样性,使其可控地收敛到多个峰值上。将该算法与几种典型的多峰寻优方法 进行了对比测试和分析,结果表明,对复杂多峰函数,该算法能以最快的收敛速度实现多峰搜索-Mu
1234255
- 介绍了一种利用量子行为粒子群算法(QPSO)求解多峰函数优化问题的方法。为此,在 QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是 围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索。从而保证每个峰值都有 同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算 法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物 种形成的QPSO算法可以尽
23445455
- 针对小生境粒子群优化技术中小生境半径等参数选取问题,提出了一种新颖的小生境方法,无须小生 境半径等任何参数。通过监视粒子正切函数值的变化,判断各个粒子是否属于同一座山峰,使其追踪所在山峰 的最优粒子飞行,进而搜索到每一座山峰极值。算法实现简单,不仅克服了小生境使用中需要参数的弊端,而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验,验证了算法可以准确地找到所 有山峰-Proposed a novel niche for niche particle
466676
- 针对小生境粒子群优化技术中小生境半径等参数选取问题,提出了一种新颖的小生境方法,无须小生 境半径等任何参数。通过监视粒子正切函数值的变化,判断各个粒子是否属于同一座山峰,使其追踪所在山峰 的最优粒子飞行,进而搜索到每一座山峰极值。算法实现简单,不仅克服了小生境使用中需要参数的弊端,而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验,验证了算法可以准确地找到所 有山峰-Proposed a novel niche for niche particle
5346363636
- :针对粒子群算法进行多极点函数优化时 存在的局部极小点和搜寻效率低的问题,引入了小 生境的思想到粒子群算法中,以粒子的最好位置为 中心,粒子的最好的个体解对应的适应值为半径建 立圆形小生境。stretching 技术,其次对子群体采用解散策略,即当在子群体中找到一个极值点后把子群体解散回归主群体,最 后设置子群体创建时的半径阈值,避免子群体半径过大。该算法解决了标准的NichePS0算法在处理 多峰函数时,极值点的个数依赖于子群体个数及极值点容易出现重复、遗漏
psoalgorithms
- 求解0-1二次规划的粒子群算法 先将离散的0-1变量约束转化成了不光滑方程的约束,再用磨光函数方法对其光滑化。最终,把原来的数学模型转化为可微的非线性规划问题。最后,粒子群优化算法求解-0-1 first discrete particle swarm algorithm for solving 0-1 quadratic programming variable constraint transformed into smooth equations and constraints, it
pso
- 子群优化算法中,粒子群由多个粒子组成,每个粒子的位置代表优化问题在D维搜索空间中潜在的解。根据各自的位置,每个粒子用一个速度来决定其飞行的方向和距离,然后通过优化函数计算出一个适应度函数值(fitness)。-Subgroup of particle swarm optimization algorithm is composed by a number of particles, each particle' s position represents to optimize the p
linxin
- 针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法。-Abstract:Using quantum-behaved particle swarmoptimization (QPSO) to handle complex functions with high-dimension has the problems of low convergence speed and sensitivity to local convergence
dsaddsafds
- PID控制器的性能取决于其控制参数的组合,针对其参数的整定和优化问题,提出了应用一种改进的粒子群优化算法,该 算法借鉴了遗传算法的杂交机制,并采用惯性权值的非线性递减策略。用以加速算法的收敛速度和提高粒子的搜索能力。将该算 法应用于一个二阶系统的PID控制器参数的优化。仿真结果表明该改进的粒子群算法具有比传统粒子群算法和遗传算法更好的 优化效果,具有一定的工程应用前景。-Abstract:PID controller’s performance completely depends