首页 | 官方网站   微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 156 毫秒
1.
给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchma呔函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.  相似文献   

2.
给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.  相似文献   

3.
为高效求解复杂的非凸、非线性电力系统经济负荷分配问题,提出了一种混沌迭代粒子群算法:粒子群算法的全局搜索能力很强,但易陷入局部最优,混沌的遍历性特性可有效抑制早熟现象。将最优迭代因子引入粒子群算法,对经粒子群算法搜索后的先验解进行基于一种新Tent映射的混沌变异,并改进算法的迭代策略,以平衡粒子的全局和局部性搜索,避免了早熟收敛。通过6机组、15机组的仿真试验,以及同其他算法仿真结果的比较,验证了本算法良好的收敛性和寻优性。  相似文献   

4.
针对粒子群算法易陷入局部极值和早熟收敛的缺陷,提出了基于q-高斯分布的自适应变异粒子群算法.采用q-高斯作为变异算子对粒子的全局最优位置进行q-高斯变异,克服了因种群遗失多样性所导致的早熟收敛缺陷,随着种群的进化,非广延熵指数 q 的自适应调整平衡了算法的全局搜索能力和局部开发能力.测试了4个标准复杂函数和优化BP神经网络参数,结果表明,基于 q-高斯分布的自适应变异粒子群算法的优化性能最好,收敛速度快.  相似文献   

5.
粒子群优化算法是求解函数优化问题的一种新的进化算法,然而它在求解高维函数时容易陷入局部最优。为了克服这个缺点,文中提出了一种引入变异算子的粒子群优化算法,即每次粒子更新后对种群最优位置随机选取其中一维进行变异操作,以增强算法跳出局部最优的能力。通过对5个基准函数的仿真实验,结果表明了新算法的有效性。  相似文献   

6.
针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.  相似文献   

7.
非完整运动规划的粒子群优化算法   总被引:1,自引:0,他引:1  
讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析,发现当搜索空间的维数较高时,粒子群将收敛到子空间的一个局部最优点,而该点并不是整个搜索空间的局部最优点。通过引入变异算子,则可以改进粒子群优化算法的性能。在此基础上,提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明,对于30维的球形函数,无变异操作的粒子群优化算法不能得到问题的最优解,而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明,粒子群优化算法比牛顿法更有效。  相似文献   

8.
基于改进粒子群算法的输电网扩展规划   总被引:2,自引:0,他引:2  
针对标准粒子群(SPSO)算法易收敛到局部最优的缺点,采用了一种改进的粒子速度更新公式,即在SPSO算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;此外在算法迭代过程中加入变异操作,适时初始化失活粒子的位置和速度来保持种群多样性.在输电网扩展规划中的应用结果表明,上述两个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群(IPSO)算法的有效性.  相似文献   

9.
含边界变异的粒子群算法   总被引:4,自引:0,他引:4  
提出了一种新的粒子群优化算法(PSO)——带边界变异的PSO,其原理是:在迭代的过程中,当粒子的位置超出可行域时,带边界变异的PSO让粒子的位置重新均匀分布在边界附近;当粒子的速度超出可行域时,则使其均匀分布到整个可行区间,而不是像原始PS0那样在这2种情况下都只是简单地取边界值。从理论和实验2个方面论证了这种引入了边界变异的PSO可以获得更快的寻优速度和更好的解精度,有一定的推广价值。  相似文献   

10.
含维变异算子的粒子群算法   总被引:8,自引:1,他引:8  
提出了一种新型的PSO算法———含维变异算子的粒子群算法(PSODMO),该算法在变异开始后到迭代结束之前的每一次迭代中,计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异:让所有粒子在该维上的位置重新均匀分布在可行区域上.通过对4个多峰的测试函数所做的对比实验,表明所提出的PSODMO增强了全局搜索能力,搜索成功率大为提高,克服了原始的PSO算法易于收敛到局部最优的缺点.也明显优于对原始PSO进行传统变异的方法.  相似文献   

11.
基于改进粒子群算法的组合测试数据生成   总被引:1,自引:0,他引:1  
针对传统粒子群优化算法生成测试数据容易产生早熟收敛而陷入局部最优的问题,提出一种基于改进粒子群算法的组合测试数据生成算法。该算法在粒子群算法的基础上引入一种惯性权重自适应调整策略,根据粒子的适应度不同采用不同的惯性权重,从而有效的平衡算法的全局和局部搜索能力,增加种群的多样性并提高算法的搜索效率。仿真实验表明该算法与传统粒子群算法相比,所需迭代次数减少,生成组合测试数据速度快。  相似文献   

12.
为了提高线性规划图像增强算法的运行效率,提出一种基于文化粒子群算法的快速优化直方图均衡增强新方法。将文化算法融入粒子群算法框架以得到文化粒子群算法,并将其应用于线性规划图像增强方法,以获得新的优化适应度函数。针对线性规划图像均衡化增强后的图像,利用伽玛校正方法来改善其视觉效果。对图像增强的效率和效果的理论分析及相关实验结果表明,所提方法可行,且相对于传统直方图均衡法在图像增强效果方面有一定程度的改善,能满足人眼视觉感知的需要。  相似文献   

13.
提出了一种求解成组技术中加工中心组成问题的改进粒子群优化算法.该算法包括建立问题数学模型;赋予粒子位置新的含义,并设计新的更新公式;设计了惯性权重新的计算形式;制定了新的子群间交叉策略及新的无约束适应度函数.仿真结果表明,改进粒子群优化算法是可行、高效的.  相似文献   

14.
改进遗传算法与粒子群优化算法及其对比分析   总被引:18,自引:0,他引:18  
进化算法作为一类新的优化搜索方法,广泛应用于各种优化问题.现对简单遗传算法进行了改进,采用实值编码,并与模拟退火算法及基于适值排序和随机选择的方法相结合,形成了改进遗传算法.同时还介绍了一种新的进化算法一粒子群优化算法.将这两种优化算法应用于函数优化,并对优化结果进行了对比分析.比较结果表明,改进遗传算法和粒子群优化算法都可以在函数优化方面表现出较好的健壮性,但在找寻最优解的效率上,粒子群优化算法较好.  相似文献   

15.
改进的粒子群优化算法   总被引:1,自引:0,他引:1  
粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.  相似文献   

16.
由于标准粒子群算法(SPSO)存在后期搜索效率太低的问题,提出了一种速度更快的粒子群优化算法(FPSO).FPSO保留了SPSO前期的全局搜索能力,但改变了SPSO算法后期的搜索策略,使其迭代次数随当前适应度值的变化而自适应改变,从而提高了SPSO算法后期的计算效率.通过实验对FPSO算法中适应度函数的设计进行了讨论,并分析了FPSO算法的应用前景.仿真结果表明,FPSO算法在单峰、多峰和带约束条件的测试函数中都有良好的效果.  相似文献   

17.
粒子群优化算法中的不可见墙方法   总被引:1,自引:0,他引:1  
为了解决粒子群优化算法在处理边界约束问题时容易早熟的问题,从理论上证明了传统的不可见墙(In-visible Wall,IW)方法存在两种缺陷,即邻居中最优粒子与其他粒子具有不均等的进化机会,且大量的位置升级是多余的;并提出了一种改进的IW,即对各维分别进行离界判断,若其离界则立即再次升级.实验证明,改进的IW在收敛精度和运行时间上具有更好的性能,并对不同类型的边界表现了更强的鲁棒性和一致性.  相似文献   

18.
由于用PSO进行机器人路径规划的研究尚局限于用连续模型规划连续描述的环境中的路径,使算法受到一定的局限性.为此,研究了一种全新的基于栅格法的机器人路径规划二进制粒子群算法.首先用栅格法描述机器人工作环境,在此基础上,将机器人路径表示为粒子位置的二进制编码,并以路径长度为适应值,产生初始种群后,再对粒子位置和速度进行更新,经过多次迭代,即可获得从起始点到目标点的一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,计算机仿真实验证明了该方法的有效性和先进性.  相似文献   

19.
粒子群优化算法是一种在复杂优化问题的空间域探求最优解的启发式搜索方法。为了优化传统的PSO算法,缩短其运行时间,提出了一种动态收缩型的粒子群优化。收缩型粒子群算法在初始阶段含大量的粒子,随着迭代次数的增加,粒子数量不断减少,仿真结果显示,此方法相比于传统的PSO算法可减少近60%的运算时间。运用此改进的粒子群算法优化理论,实现了对PID控制参数的自适应调节。结果表明,新型的PSO算法可以使得PID控制参数调整速度更快,产生超调量小。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司    京ICP备09084417号-23

京公网安备 11010802026262号