导读:本文包含了概率粒子群优化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子群算法,变异概率,自适应,混合变异
概率粒子群优化算法论文文献综述
黄松,田娜,纪志成[1]（2016）在《基于自适应变异概率粒子群优化算法的研究》一文中研究指出变异操作是解决粒子群算法早熟的一种有效方法。针对迭代过程中种群多样性变化的特点,提出了一种自适应变异概率的混合变异粒子群优化算法。通过聚集度动态地调节每代粒子的变异概率,并用这种变异概率对全局最优位置进行高斯和柯西混合变异和对最差个体最优位置进行自适应小波变异。通过在matlab中和其他几种变异的粒子群优化算法进行比较验证,结果证明该算法具有较高的收敛精度和较好的算法性能。(本文来源于《系统仿真学报》期刊2016年04期）
任俊亮,邢清华,李龙跃,贾哲[2]（2015）在《分布式传感器调度模型与自适应概率粒子群优化算法》一文中研究指出不同体制的多个传感器通常部署于不同位置,据此采用分布式计算思想研究其调度问题.设计了传感器指控模块和传感器模块,探讨两者间的信息交互过程,给出基于最小调度时间间隔的传感器探测任务分解方法,建立传感器探测目标的匹配度计算模型.针对调度方案生成子模块设计了一种自适应概率粒子群算法,算法中粒子的分量根据方案适应值大小以不同的概率取相应值,体现粒子在迭代过程中的思考.实例分析表明,该算法能在迭代前期较快地收敛到一个较优值,这一特点使得在迭代次数有限的情况下,算法仍可获得较好的调度方案,满足调度方案实时高效的要求.(本文来源于《电子学报》期刊2015年09期）
李盼池,李滨旭[3]（2015）在《多比特概率幅编码的量子衍生粒子群优化算法》一文中研究指出为了提高粒子群算法的优化能力,提出一种新的量子衍生粒子群优化算法.该方法采用多比特量子系统的基态概率幅对粒子编码,基于自身最优粒子和全局最优粒子确定旋转角度,采用基于张量积构造的多比特量子旋转门实施粒子的更新.在每步迭代中,只需更新粒子的一个量子比特相位,即可更新该粒子上的所有概率幅.标准函数极值优化的实验结果表明,所提出算法的单步迭代时间较长,但优化能力较同类算法有大幅度提高.(本文来源于《控制与决策》期刊2015年11期）
郝俊猛[4]（2014）在《基于高斯过程—粒子群优化算法的工程结构非概率可靠度分析方法》一文中研究指出传统结构的可靠度分析围绕不确定性展开,一般以随机可靠性模型和模糊可靠性模型来确定,并以模型中不确定变量的概率密度函数为基础,然而不确定变量的概率密度函数的确定则需要大量的数据和精确的样本信息,在实际工程中很难满足,因此,有关学者提出不需要知道变量的分布,仅需要知道变量范围的非概率模型进行结构可靠度分析。有关研究表明,非概率可靠度模型比概率模型更合理,更能够满足实际工程结构的需要。而随着非概率可靠度理论的发展,概率与非概率混合可靠度的研究也逐渐成为探讨的热点。本文对非概率可靠度模型、概率与非概率混合可靠度模型进行分析,针对复杂结构对应的功能函数具有高度非线性、隐式表达等特征,采用传统方法难以高效求解的问题,提出了基于高斯过程回归动态响应面的粒子群优化方法,该方法利用高斯过程回归模型在处理高度非线性隐式函数问题上的优势,能够自适应获取最优超参数,并在动态更新学习样本的基础上,进行自适应学习,使得高斯过程回归模型能够精确的拟合隐式结构的功能函数,实现小样本下隐式函数的显示表达,然后利用全局寻优能力强的粒子群优化算法搜索设计点,并通过构造合理的迭代方式,利用各迭代步的设计点信息动态提升响应而对结构功能函数的重构精度,最后,以迭代完成后的最终的设计点为中心求解可靠指标值。本文通过经典的数学算例和工程算例验证本文方法的可行性,并与传统响应面方法进行比较分析,为复杂结构的非概率可靠度问题提供一条高效快速的求解思路。研究表明,本文针对非概率可靠度模型、概率与非概率混合可靠度模型可靠指标求解的方法均是可行的,具有计算效率高和计算代价低等优点,对于求解计算代价高的具有隐式功能函数特征的非概率可靠度问题具有良好的适用性,与基于二次多项式的传统响应面法相比较,该方法的计算效率与计算精度均较高,且易于与已有的有限元软件相结合,适用于求解具有隐式功能函数且计算耗时的复杂结构非概率可靠度问题。(本文来源于《广西大学》期刊2014-06-01）
倪庆剑,邓建明,邢汉承[5]（2014）在《基于异构多种群策略的动态概率粒子群优化算法》一文中研究指出结合动态概率粒子群优化算法(DPPSO)特点,针对传统的单种群粒子群优化算法易陷入局部最优、收敛速度较慢的缺点,文中提出一种基于异构多种群策略的DPPSO.该算法在进化过程中保持多个子种群,每个子种群以不同的DPPSO变体进行进化,子种群之间根据一定规律进行通信,从而保持整个种群内部的信息交流,进而协调DPPSO的勘探和开采能力.通过典型的Benchmark函数优化问题测试并分析基于异构多种群策略的DPPSO性能,结果显示,使用该策略的算法收敛速度较快,稳定性有较显着提高,具有较强的全局搜索能力.(本文来源于《模式识别与人工智能》期刊2014年02期）
马林,白广忱,周平[6]（2013）在《基于混沌粒子群优化算法的压气机盘低循环疲劳寿命概率稳健设计》一文中研究指出压气机轮盘低循环疲劳寿命受很多随机参数的影响,具有很大的分散性,因此,对压气机盘低循环疲劳寿命进行稳健性设计具有重要的意义。在对疲劳寿命概率分析的基础上,结合RBF神经网络与混沌粒子群优化算法,利用混沌粒子群优化的动态收缩搜索区域的搜索特性,通过对随机参数进行优化,进行压气机轮盘低循环疲劳寿命稳健性优化设计,使得疲劳寿命对参数的敏感度降低,概率区间减小,计算结果验证了该方法在工程应用中的可行性。(本文来源于《航空发动机》期刊2013年06期）
王正帅,邓喀中,康建荣[7]（2013）在《概率积分法参数反演的文化-随机粒子群优化算法》一文中研究指出为解决传统方法在概率积分法参数反演中存在的反演过程发散问题.将粒子群优化(PSO)算法纳入到文化算法(CA)框架中,提出了概率积分法参数反演的文化-随机粒子群优化(CA-rPSO)算法.以随机粒子群优化(rPSO)算法作为信念空间的进化算法,并将PSO作为群体空间的进化算法,形成两者独立并行进化的"双演化双促进"机制,按照误差平方和最小化准则构建适应度函数,反演出概率积分法参数.研究结果表明:对于常规布设形式的地表移动观测站,基于CA-rPSO反演概率积分法参数的收敛成功率为1.该结论具有较高的实用价值,且对矿山其它复杂参数寻优问题有着一定的指导意义.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2013年03期）
申元霞,王国胤[8]（2011）在《粒子群优化算法的概率特性分析及算法改进》一文中研究指出群体多样性的丧失是导致粒子群优化(PSO)出现早期收敛的重要原因,鉴于此,对PSO运动方程进行概率特性分析,指出了方程中学习参数的概率分布及参数间的相依性与群体多样性丧失之间的关系,并提出了一种自适应学习的PSO算法.该算法通过调整学习参数的概率特性来保持种群多样性,同时设计了随进化状态自适应变化的学习参数来协调粒子的全局与局部搜索能力.实验结果表明,自适应学习的PSO算法提高了收敛的精度,有效避免了早期收敛.(本文来源于《控制与决策》期刊2011年06期）
倪庆剑,张志政,王蓁蓁,邢汉承[9]（2009）在《一种基于可变多簇结构的动态概率粒子群优化算法》一文中研究指出针对传统粒子群优化算法中全连接型拓扑和环形拓扑的特点,引入了一种粒子群信息共享方式——多簇结构,进而基于多簇结构提出了动态可变拓扑策略以协调动态概率粒子群优化算法的勘探和开采能力,并从理论上分析了最优信息在各种拓扑中的传播,同时从图论角度分析了几种经典拓扑以及动态可变多簇结构的统计特性.通过典型的Benchmark函数优化问题测试并比较了几种经典拓扑以及可变拓扑在高斯动态粒子群优化算法中的性能.实验结果表明,基于多簇结构的可变拓扑策略在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力.(本文来源于《软件学报》期刊2009年02期）
贾兆红,陈华平,唐俊,卢冰原[10]（2008）在《面向多目标的自适应动态概率粒子群优化算法》一文中研究指出将基于动态概率搜索的粒子群优化(Particle swarm optimization,PSO)算法应用于多目标作业车间调度问题(Flexible job shop scheduling problem,FJSP),提出一种新算法。算法在搜索初期利用粒子近邻的平均最优代替传统的单个最优引导搜索,后期用Gaussian动态概率搜索来提高算法的局部开挖能力。然后,引入Pareto优的概念,采用精英集来存放非劣解,提出一种新的适应度值分配方法。此外,在算法中还引入了一种自适应的变异算子来增强解的多样性。最后,用新算法对多组FJSP实例进行测试,并与其他几种方法进行比较,结果表明提出的算法具有较好的搜索性能,是求解多目标FJSP的一种可行方法。(本文来源于《系统仿真学报》期刊2008年18期）
概率粒子群优化算法论文开题报告
（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：
不同体制的多个传感器通常部署于不同位置,据此采用分布式计算思想研究其调度问题.设计了传感器指控模块和传感器模块,探讨两者间的信息交互过程,给出基于最小调度时间间隔的传感器探测任务分解方法,建立传感器探测目标的匹配度计算模型.针对调度方案生成子模块设计了一种自适应概率粒子群算法,算法中粒子的分量根据方案适应值大小以不同的概率取相应值,体现粒子在迭代过程中的思考.实例分析表明,该算法能在迭代前期较快地收敛到一个较优值,这一特点使得在迭代次数有限的情况下,算法仍可获得较好的调度方案,满足调度方案实时高效的要求.
（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。
概率粒子群优化算法论文参考文献
[1].黄松,田娜,纪志成.基于自适应变异概率粒子群优化算法的研究[J].系统仿真学报.2016
[2].任俊亮,邢清华,李龙跃,贾哲.分布式传感器调度模型与自适应概率粒子群优化算法[J].电子学报.2015
[3].李盼池,李滨旭.多比特概率幅编码的量子衍生粒子群优化算法[J].控制与决策.2015
[4].郝俊猛.基于高斯过程—粒子群优化算法的工程结构非概率可靠度分析方法[D].广西大学.2014
[5].倪庆剑,邓建明,邢汉承.基于异构多种群策略的动态概率粒子群优化算法[J].模式识别与人工智能.2014
[6].马林,白广忱,周平.基于混沌粒子群优化算法的压气机盘低循环疲劳寿命概率稳健设计[J].航空发动机.2013
[7].王正帅,邓喀中,康建荣.概率积分法参数反演的文化-随机粒子群优化算法[J].辽宁工程技术大学学报(自然科学版).2013
[8].申元霞,王国胤.粒子群优化算法的概率特性分析及算法改进[J].控制与决策.2011
[9].倪庆剑,张志政,王蓁蓁,邢汉承.一种基于可变多簇结构的动态概率粒子群优化算法[J].软件学报.2009
[10].贾兆红,陈华平,唐俊,卢冰原.面向多目标的自适应动态概率粒子群优化算法[J].系统仿真学报.2008