导读:本文包含了二进制粒子群优化论文开题报告文献综述及选题提纲参考文献，主要关键词:二进制粒子群优化,机床功能,零件特征,关联规则挖掘
二进制粒子群优化论文文献综述
寇智聪[1]（2019）在《基于二进制粒子群优化算法的零件特征与机床加工关联知识挖掘》一文中研究指出为了充分利用企业历史数据,提出一种基于二进制粒子群优化(BPSO)的关联规则挖掘方法,从数据中提取有用的工艺知识反映产品设计与制造的映射关系;对知识挖掘问题进行描述,建立用于制造过程综合的关联规则挖掘方法框架;对BPSO本身进行改进,提出考虑多个评价指标的适应度函数,并加入相似度指标以消除较差的规则,提高方法在实际问题中的适用性;将所提方法应用于汽车零部件机床加工数据的关联规则挖掘。结果表明,该方法与现有方法相比,平衡了可靠性、相关性及理解性等多个指标,能有效地进行规则挖掘。(本文来源于《济南大学学报(自然科学版)》期刊2019年05期）
张鹏威[2]（2019）在《采用正弦映射与扩张算子的二进制粒子群优化算法》一文中研究指出为解决二进制粒子群优化算法在寻优后期易出现早熟收敛、陷入局部最优的问题,提出一种采用正弦映射与扩张算子的二进制粒子群优化算法(SEBPSO).该算法利用正弦映射函数将粒子速度的正弦值映射为粒子位置变化的概率值,并采用非强制性位置更新程序;同时,为了使算法跳出局部最优解,设计了扩张算子加入粒子的寻优过程,赋予引导粒子探索新区域的能力,增强算法的全局搜索性能.通过选取6个测试函数和3个对比算法进行实验,结果表明,SEBPSO算法具有更好的收敛精度和收敛速度.(本文来源于《小型微型计算机系统》期刊2019年06期）
王越,邱飞岳,郭海东[3]（2019）在《一种带变异算子的自适应惯性权重二进制粒子群优化算法》一文中研究指出针对离散二进制粒子群优化算法在寻优过程中收敛速度慢、搜索精度不高和易陷入局部最优的问题,本文提出一种带变异算子的自适应惯性权重二进制粒子群优化算法(MABPSO).首先,采用非线性递增策略优化惯性权重,平衡二进制粒子群算法的全局探索与局部探索性能;其次,引入对未知空间搜索的变异算子,改进速度更新公式,使粒子的寻优范围扩大,增强算法多样性,有效避免陷入局部最优解.通过在六个基准测试函数上进行测试所得到的实验结果表明,本文对二进制粒子群优化算法所做的优化相比于其它叁种算法,具有较好的逃离局部最优解的能力,提高了算法的收敛性能.(本文来源于《小型微型计算机系统》期刊2019年04期）
胡晓燕[4]（2019）在《基于先验信息和二进制粒子群优化的基因表达谱数据处理的研究与实现》一文中研究指出基因表达谱数据具有特征维数高、样本数量少的特性,传统的机器学习方法在基因表达谱数据的处理上仍然有较大的提升空间。近年来基于群智能优化和极限学习机的方法在基因表达谱数据的特征选择和样本分类上取得了良好的性能。然而,由于缺乏数据中先验信息的约束,基于群智能优化和极限学习机的方法在特征选择过程中容易丢失关键的基因,进而影响对肿瘤的识别准确性,并且处理方法缺乏可解释性。为了提高基因表达谱数据处理性能和处理方法的可解释性,本文在获取基因表达谱数据组合先验信息的基础上,运用编码先验信息的粒子群优化算法实现基因表达谱数据的特征选择,并应用集成极限学习机实现肿瘤预测,最后设计并实现了基因表达谱数据处理原型系统。本文的主要工作如下:1.为了提高基因表达谱数据的处理性能和处理方法的可解释性,提出了基于改良先验信息和二进制粒子群相结合的基因选择处理方法。该方法首先运用聚类,从具备不同功能的各基因簇中筛选代表性基因建立初始备选基因池。其次,将类别先验信息和皮尔森系数结合,获取基因表达谱数据中的组合先验信息;再次,将改良的组合先验信息编码进二进制粒子群优化算法中,选出与肿瘤类别高度相关的基因子集。最后,以多样性作为集成指标,建立集成极限学习机以实现基因表达谱数据的分类。在多个数据集上的实验结果表明,本文提出的基因表达谱数据处理方法不但能够筛选出与肿瘤相关的关键基因子集,还能提高肿瘤识别准确性。2.在上述工作的基础上,设计并实现了基于先验信息和二进制粒子群优化算法的基因表达谱数据处理系统。该系统包括基因表达谱数据的导入、基因选择和数据分类叁个模块,能够对肿瘤实现自动预测。在该系统中,可以根据基因表达谱数据集对特征选择方法和肿瘤分类方法中的参数灵活设置,来实现对基因表达谱数据的高效处理,真正体现了数据驱动。(本文来源于《江苏大学》期刊2019-04-01）
钟建伟,朱涧枫,黄秀超,周玉超,张建业[5]（2019）在《基于双态二进制粒子群优化算法的配电网故障定位》一文中研究指出针对二进制粒子群算法在复杂配电网故障定位时易出现早熟收敛情况,本文提出一种双态二进制粒子群优化算法。通过引入进化因子,把粒子群分成捕食状态和探索状态两个部分,让陷入或即将陷入局部极值的粒子跳出来进行全局搜索。构造故障定位的评价函数,以33节点配电网为例,在故障信息完整和部分畸变的情况下,用该算法与二进制粒子群算法分别对配电网中的单点故障定位和多点故障定位进行仿真分析,结果验证了该算法的高效性和高容错性。(本文来源于《电力系统及其自动化学报》期刊2019年03期）
孔令荣,王昊,殷慧婷,李冰[6]（2018）在《离散二进制粒子群优化的频谱分配算法研究》一文中研究指出随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。(本文来源于《自动化仪表》期刊2018年06期）
李浩君,张征,张鹏威,王万良[7]（2018）在《基于进化状态判定的模糊自适应二进制粒子群优化算法》一文中研究指出随着迭代过程的推进,二进制粒子群算法容易陷入局部最优解,后期收敛性较差.针对此缺点,文中提出基于进化状态判定的模糊自适应二进制粒子群优化算法.采用隶属函数进行模糊分类的方法,判定种群进化状态.在迭代过程前期采用S形映射函数和较大的惯性权重值,提高收敛速度,保证算法的稳定性.后期采用V形映射函数和动态增减的惯性权重值,增强算法后期全局探索能力,避免其陷入局部最优.仿真实验表明,文中算法的收敛速度较快,精度较高,搜索能力较好,可以避免早熟现象.(本文来源于《模式识别与人工智能》期刊2018年04期）
李浩君,张广,王万良[8]（2018）在《一种惯性权重与种群多样性协同调整的二进制粒子群优化算法》一文中研究指出针对二进制粒子群算法惯性权重和种群多样性不能随粒子群进化状态变化而动态协同调整,易造成后期收敛性较差陷入局部最优的缺点,提出一种惯性权重与种群多样性协同调整的二进制粒子群算法(CBPSO),首先使用混沌函数初始化种群,其次根据每个粒子与最优粒子之间海明距离均值与当前迭代状态共同调整权重值,再次根据海明距离均值动态调整种群多样性,最后根据调整后的种群多样性在下次迭代中计算新的海明距离均值及对应的惯性权重值.通过对常用的基准函数进行不同维度下的仿真实验,实验结果证明:在相同迭代次数等条件下,该算法具有较强的动态搜索能力和种群多样性调整能力,比同类算法具有更好的准确率和鲁棒性.(本文来源于《小型微型计算机系统》期刊2018年03期）
李浩君,刘中锋,王万良[9]（2017）在《采用弧形映射函数的二进制粒子群优化算法》一文中研究指出针对二进制粒子群优化算法(BPSO),采用S形映射函数,将粒子在空间中飞行速度的正负值大小映射为其位置向量取1的概率,易于陷入局部最优解的问题,本文提出了采用弧形映射函数的二进制粒子群优化算法(ABPSO).该算法采用弧形映射函数取代BPSO中的S形映射函数,将速度平方值大小映射为位置向量改变的概率大小,当粒子具有较低的速度平方值时能够维持在原位置,较高的速度平方值时改变位置,从而使算法更好地收敛于全局最优解;同时,采用了无强制性位置更新程序,符合弧形映射函数使用速度平方大小映射为位置改变概率大小的需要.通过六个基准函数的仿真实验发现,ABPSO具有更好的收敛精度和更高的收敛速度;ABPSO采用更加符合粒子运动规律的弧形映射函数,表现出更好的收敛于全局最优解的能力和更高的收敛速度.(本文来源于《小型微型计算机系统》期刊2017年12期）
杨峻山,周家锐,朱泽轩,纪震[10]（2016）在《带约束小生境二进制粒子群优化的生物组学数据集成特征选择》一文中研究指出针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。(本文来源于《信号处理》期刊2016年07期）
二进制粒子群优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决二进制粒子群优化算法在寻优后期易出现早熟收敛、陷入局部最优的问题,提出一种采用正弦映射与扩张算子的二进制粒子群优化算法(SEBPSO).该算法利用正弦映射函数将粒子速度的正弦值映射为粒子位置变化的概率值,并采用非强制性位置更新程序;同时,为了使算法跳出局部最优解,设计了扩张算子加入粒子的寻优过程,赋予引导粒子探索新区域的能力,增强算法的全局搜索性能.通过选取6个测试函数和3个对比算法进行实验,结果表明,SEBPSO算法具有更好的收敛精度和收敛速度.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
二进制粒子群优化论文参考文献
[1].寇智聪.基于二进制粒子群优化算法的零件特征与机床加工关联知识挖掘[J].济南大学学报(自然科学版).2019
[2].张鹏威.采用正弦映射与扩张算子的二进制粒子群优化算法[J].小型微型计算机系统.2019
[3].王越,邱飞岳,郭海东.一种带变异算子的自适应惯性权重二进制粒子群优化算法[J].小型微型计算机系统.2019
[4].胡晓燕.基于先验信息和二进制粒子群优化的基因表达谱数据处理的研究与实现[D].江苏大学.2019
[5].钟建伟,朱涧枫,黄秀超,周玉超,张建业.基于双态二进制粒子群优化算法的配电网故障定位[J].电力系统及其自动化学报.2019
[6].孔令荣,王昊,殷慧婷,李冰.离散二进制粒子群优化的频谱分配算法研究[J].自动化仪表.2018
[7].李浩君,张征,张鹏威,王万良.基于进化状态判定的模糊自适应二进制粒子群优化算法[J].模式识别与人工智能.2018
[8].李浩君,张广,王万良.一种惯性权重与种群多样性协同调整的二进制粒子群优化算法[J].小型微型计算机系统.2018
[9].李浩君,刘中锋,王万良.采用弧形映射函数的二进制粒子群优化算法[J].小型微型计算机系统.2017
[10].杨峻山,周家锐,朱泽轩,纪震.带约束小生境二进制粒子群优化的生物组学数据集成特征选择[J].信号处理.2016