共查询到20条相似文献,搜索用时 62 毫秒
1.
群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性. 相似文献
2.
一种参数自适应调整和边界约束的粒子群算法 总被引:1,自引:0,他引:1
粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的"信息共享"寻优,达到全空间搜索最优解的目的。收敛速度快,全局寻优能力强。针对基本粒子群算法寻优精度较低,结果易发散的缺点,提出了一种参数自适应调整和边界条件约束的粒子群算法,惯性权重,学习因子随着迭代过程线性递加或递减,从而在算法初期个体能搜索整个空间,后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束,保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性,在保证算法效率的前提下,有效地提高了算法的寻优精度。 相似文献
3.
为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率. 相似文献
4.
一种基于粒子群优化的自适应均衡算法 总被引:2,自引:0,他引:2
提出了一种自适应信道均衡的方法,它利用粒子群优化算法对均衡器系数进行自适应调整.由于粒子群优化算法具有实现简单、性能函数的单调性强、搜寻全局最优解的能力强等优点,将其用于自适应信道均衡将会改善传统均衡器均衡效果不理想的问题.仿真结果表明,该方法实用有效,在信道失真较大和最优解搜索精度方面表现出了优越性. 相似文献
5.
6.
本文提出了设计一种基于自适应变异粒子群优化算法的振动信号的自适应滤波模型,然后重点研究了自适应数字滤波器设计的粒子群优化算法及其实现步骤。该滤波模型在计算机仿真测试中,获得了很高的效率和良好的结果。 相似文献
7.
传统粒子滤波算法中在重要性采样部分存在采样粒子位置不精确的问题,可用粒子群优化算法优化,但目前的标准粒子群优化粒子滤波算法会出现粒子局部寻优的情况。对此对算法中的惯性权重和学习因子同时采取自适应调整的方法,平衡粒子的搜索能力以减少这种情况的出现,并且为了解决算法优化后因粒子聚集而造成的多样性缺失问题,对粒子进行随机变异以提高粒子多样性。仿真结果表明,经过改进后的优化算法可有效提高粒子滤波算法的准确性,使跟踪误差减小。 相似文献
8.
自适应变异的粒子群优化算法 总被引:209,自引:5,他引:209
本文提出了一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力.对几种典型函数的测试结果表明:新算法的全局收搜索能力有了显著提高,并且能够有效避免早熟收敛问题. 相似文献
9.
针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力. 相似文献
10.
11.
12.
13.
14.
Compared to 2D NoC, 3D NoC has better integrated density and system performance, which was a reliable method to solve the problem about low-power mapping. On the basis of the traditional particle swarm optimization algo-rithm (PSOA), a dynamic adaptive discrete particle swarm optimization algorithm (DADPSOA) was proposed . Parame-ter in this algorithm was adjusted dynamically based on the degree of early convergence and the charge of individual adap-tive value to approach the optimal solution. At the same time, the reasonable structure of the particles was made aiming at reducing the time complexity of this algorithm. Experimental results show that comparing with the random mapping, genetic algorithm (GA), PSOA and dynamic ant colony algorithm (DACA), DADPSOA can save the execution time, reduce the communication power consumption of mapping results. The power consumption of the task graph is reduced. 相似文献
15.
针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。 相似文献
16.
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
17.
18.
19.
An opposition-based particle swarm optimization with adaptive elite mutation and nonlinear inertia weight (OPSO-AEM&NIW) was proposed to overcome the drawbacks, such as falling into local optimization, slow convergence speed of opposition-based particle swarm optimization. Two strategies were introduced to balance the contradiction be-tween exploration and exploitation during its iterations process. The first one was nonlinear adaptive inertia weight (NIW), which aim to accelerate the process of convergence of the algorithm by adjusting the active degree of each parti-cle using relative information such as particle fitness proportion. The second one was adaptive elite mutation strategy (AEM), which aim to avoid algorithm trap into local optimum by trigging particle's activity. Experimental results show OPSO-AEM&NIW algorithm has stronger competitive ability compared with opposition-based particle swarm optimiza-tions and its varieties in both calculation accuracy and computation cost. 相似文献
20.
设计两种基于粒子群优化算法(PSO)和基于遗传算法(GA)的多输入多输出(MIMO)系统检测算法。提出一种新的融合GA和PSO进化机制的遗传粒子群进化(GPSO)算法,并将其应用于MIMO系统检测问题求解。新算法改善了初始化种群,并将每一代粒子划为精英粒子、次优粒子和糟糕粒子三部分,对这三种粒子分别采用极值扰动、PSO进化和淘汰策略以改善算法的全局和局部搜索能力,从而加快算法的寻优速率和收敛速度。仿真结果表明:与基于PSO和基于GA的检测算法相比,GPSO的检测算法能够很大程度减少种群规模和迭代次数。而与最优的最大似然译码算法相比,GPSO检测算法能够在计算复杂度和误码性能之间获得很好的折中。 相似文献