共查询到20条相似文献,搜索用时 31 毫秒
1.
提出了将粒子群优化算法(Patticle Swarm Optimization Algorithm,PSO)用于求解系统可靠性优化问题,建立了系统的可靠性模型,分别采用遗传算法(Genetic algonthm,GA)和PSO算法进行了优化仿真,结果表明采用PSO算法和GA算法都能实现系统可靠性优化,但是相比之下PSO算法的计算精度和求出最优解的概率更高,需较少的迭代次数,能更稳定的求解最优解,而且没有求解早熟的弱点,因此PSO算法更适合于系统可靠性优化。 相似文献
2.
3.
引入大变异策略的蟑螂算法研究 总被引:1,自引:1,他引:0
程乐 《微电子学与计算机》2009,26(5)
通过模拟蟑螂的觅食行为,提出蟑螂算法(Cockroach SwarmOptimization,CSO),并用于求解组合优化问题.算法充分利用了蟑螂社会的平等特性和群体智慧.大变异策略提高了算法全局搜索和避免陷入局部最优的能力.仿真实验表明CSO算法在求解TSP问题方面优于存在的离散粒子群算法(Discrete Particle Swarm Optimiza-tion.PSO). 相似文献
4.
粒子群优化算法(PSO)提出至今一直未能有效解决离散及组合优化问题,TSP问题是组合优化问题中一个典型的NP问题.文中参考了离散粒子群算法(DPSO)和遗传算法(GA)解决TSP问题的成功经验,提出了一种继承优秀染色体片段的PSO算法(ECFG-PSO).为避免早熟,在算法中加入了局部查找和二次初始化策略.实验证明ECFG-PSO算法解决TSP问题的效率和规模优于DPSO算法. 相似文献
5.
目前亟待解决如何获得认知无线电系统效益最大化问题,而求解最优频谱分配方法是一项关键技术,针对传统粒子群(PSO)算法收敛速度慢、易陷入局部最优解等缺陷,提出一种基于鲶鱼粒子群算法(CE-PSO)的认知无线电频谱分配方法。首先建立认知无线电频谱分配优化的数学模型,然后以用户取得的效益最大化为优化目标,引入"鲶鱼效应",保持粒子群的多样性,通过粒子间信息交流找到空闲频谱最优分配方案,最后采用仿真实验测试CE-PSO算法的有效性。结果表明,CE-PSO算法克服了PSO算法的缺陷,可以快速、准确地寻找到最优频谱分配方案,更好地实现系统效益的最大化,可以满足认知无线电系统的应用需求。 相似文献
6.
7.
8.
针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。 相似文献
9.
10.
粒子群优化算法(PSO)自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法(ICPSO),ICPSO从粒子群优化算法的时间与寻优实时角度出发(即在较短的时间内获得较好的解),对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明:提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性. 相似文献
11.
云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法.该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题.通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求.利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度. 相似文献
12.
杜清福 《太赫兹科学与电子信息学报》2016,14(2):276-281
针对粒子群优化(PSO)算法随着维数增加而导致的收敛速度慢,容易陷入局部最优的问题,提出了一种合作式粒子群(CPSO)算法。通过多粒子群不同的组态向量合作,显著改善了标准算法的早熟问题。利用标准测试函数对CPSO算法、协同进化遗传算法(CCGA)、遗传算法(GA)、PSO算法进行比较测试,结果表明,CPSO算法在多个基准优化问题方面显示了较佳性能。 相似文献
13.
14.
粒子群优化算法及其应用 总被引:20,自引:0,他引:20
粒子群优化(PSO)算法是一种新颖的演化算法,它属于一类随机全局优化技术,PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用,并讨论将来可能的研究内容。 相似文献
15.
16.
合理优化配电网无功补偿配置对改善配电网电能质量以及降低系统有功损耗有至关重要的作用。在创建配电网无功补偿的数学模型时,把系统分为最大负荷、一般负荷和最小负荷,使其能够更加接近真实的运行情况。采用粒子群算法(particle swarm optimization,PSO)优化配电网无功补偿配置,PSO具有算法简单、易于实现、收敛性好等优点,在求解无功补偿优化配置问题时优于遗传算法。对IEEE12节点系统进行了潮流计算算例分析,结果验证了PSO能够有效保障配电网无功补偿优化配置的可靠性和经济性。 相似文献
17.
18.
针对ESM/雷达协同反隐身探测中的指示搜索问题,引入模型预测控制(Model Predictive Control,MPC)理论,给出指示搜索任务规划的MPC框架,建立指示搜索的目标状态预测模型和在线滚动优化模型.针对模型求解,引入粒子群优化(Particle Swarm Optimization,PSO)算法,设计了高维矩阵粒子编码方式,引入尺度计算因子处理边界约束,引入概率模型处理离散变量,设计实现了一种"多主节点-单从节点"的 (Multi-Master-Single-Slave,MM-SS)多种群并行计算策略.仿真结果表明,所建立的模型能够在不确定、多目标环境下实现对多雷达的高效协同控制,所提出的模型求解算法能够实现对滚动优化问题的快速、高效求解,即模型和算法的有效性得到了验证. 相似文献
19.
20.
离散非线性输出调节问题的解很难通过求解代数方程的解获得,对于不确定性系统,往往通过逐渐逼近的方法以尽可能获得最优解,而神经网络则常被应用于这些算法之中。本文利用粒子群算法对神经网络的权值进行更新,并将之应用于球杆系统的离散化输出调节问题,通过仿真可看出其控制性能比传统的线性控制有了明显的改善。 相似文献