导读:本文包含了自适应粒子群论文开题报告文献综述及选题提纲参考文献，主要关键词:超参数,高斯过程回归(GPR),粒子群优化(PSO),自适应变异
自适应粒子群论文文献综述
曹文梁,康岚兰[1]（2019）在《高斯过程回归超参数自适应选择粒子群优化算法》一文中研究指出超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年11期）
张红民,巴忠镭,王艳,孙成胜[2]（2019）在《一种基于迁徙策略的自适应粒子群算法》一文中研究指出光伏组件表面因灰尘沉降形成的局部阴影使得光伏阵列功率-电压特性曲线出现多个峰值,从而造成传统的最大功率点跟踪算法失效。粒子群算法因具有良好的全局寻优特性,被应用于局部阴影下的最大功率点追踪中,但仍存在搜索速度慢、精度不高等缺点。基于迁徙策略的自适应粒子群算法采用了自适应系数,其惯性权重和学习因子随着迭代次数的变化而变化,有效地平衡了算法的全局搜索能力和局部寻优能力;同时引入迁徙策略,根据评价算子对粒子种群的多样性进行判断,对多样性低的粒子种群执行迁徙操作,增加种群间的信息交流,跳出局部最优区域。仿真实验结果表明:该算法能避免早熟收敛问题,提高了算法的收敛速度和搜索精度,在静态和动态阴影中都具有良好的追踪效果。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年11期）
李雨泰,李伟良,尚智婕,王洋,董希杰[3]（2019）在《基于云自适应粒子群优化算法和随机森林回归(CAPSO-RFR)的负载均衡预测》一文中研究指出针对传统的云计算资源负载预测算法存在精度低和误差大的缺点,将云自适应粒子群算法应用于随机森林回归参数的选择,提出一种基于CAPSO-RFR的云计算资源均衡负载预测算法。研究结果表明,CAPSO-RFR可以有效提高云计算资源负载预测的精度,为云计算资源的规划、调度以及云计算平台的性能优化提供决策依据。(本文来源于《微型电脑应用》期刊2019年10期）
张园,赵长胜,李晓明[4]（2019）在《一种基于动量BP算法的似然分布自适应粒子滤波》一文中研究指出在量测精度不高时,重要性重采样粒子滤波效果较好,但在观测模型具有较高精度时,由于较多的无效样本可能导致粒子滤波失效.同时传统粒子滤波重采样算法虽可以用来解决粒子退化问题,但也会出现如粒子的多样性丧失、高权值的粒子被多次计算等,同时也存在传统的BP神经网络与粒子滤波结合会导致实时性较差等问题.针对这些问题,本文提出基于动量BP算法的似然分布自适应粒子滤波(MO-NNWA-APF):一方面通过反映量测噪声统计性能的精度因子α对似然分布状态自适应调整,增加先验和似然的重迭区,提高滤波精度;另一方面将动量BP算法与似然分布自适应调整结合,增大位于低概率密度区域的粒子的权值,同时部分高权值粒子被分裂为小权值粒子,一定程度上增加粒子的多样性和改善算法的实时性.选用一维系统和多维单目标系统仿真综合比较算法得出:使用基于动量BP算法的似然分布自适应粒子滤波算法优于现有的基本粒子滤波算法、基于BP神经网络的粒子滤波算法,在系统状态、均方根误差、估计与真值的关系、有效粒子数等方面体现出较好的预测能力,预测结果表现精度较高,算法稳定,实时性较好.(本文来源于《小型微型计算机系统》期刊2019年10期）
侯欢欢[5]（2019）在《自适应动态调整粒子群的云计算任务调度》一文中研究指出为了高效地实现云计算任务调度,融合改进的分数阶达尔文粒子群算法和多目标函数构造,提出一种新的云计算任务调度算法。对分数阶达尔文粒子群算法进行全方位改进,基于粒子群适应度动态调整惯性权重系数以自适应搜索最优解;利用粒子自身进化信息定义进化因子,结合进化因子并利用高斯图函数调整分数阶次α系数以实现快速收敛;借助Levy飞行随机扰动对局部最优位置进行位置扰动以提高跳出局部最优的能力;综合最短等待时间、资源负载均衡程度及任务完成所耗费用等叁个目标构造任务调度满意度函数,以此搜索任务调度最优解。仿真实验表明,与其他粒子优化算法相比,该算法有较快的收敛速度和较高的寻优精度;在任务调度中,该算法与其他叁种调度算法相比,在较低的截止时间未完成率下实现了虚拟资源的均衡负载。(本文来源于《计算机应用与软件》期刊2019年09期）
黄健,严胜刚[6]（2019）在《基于区域划分自适应粒子群优化的超短基线定位算法》一文中研究指出为了降低由声速不确定引起的水下声学定位误差,提出一种基于区域划分自适应粒子群优化的超短基线定位算法.该算法将声速作为未知量,利用冗余的定位信息构建定位模型,针对标准粒子群算法收敛速度慢及容易早熟的问题,采用区域划分的方法动态调整粒子的惯性权重和学习因子,达到寻优能力与收敛速度的平衡,并引入自适应变异操作避免种群陷入局部最优解.仿真实验表明,所提出的算法能够有效提高声速未知情况下超短基线系统的定位精度.(本文来源于《控制与决策》期刊2019年09期）
周艳平,蔡素,李金鹏[7]（2019）在《一种粒子群和改进自适应差分进化混合算法及在生产调度中的应用》一文中研究指出差分进化算法是一类基于种群的启发式全局搜索技术,但传统的差分进化算法存在停滞现象,容易使算法收敛停止;虽然之后出现了各种版本的自适应差分进化算法,但没有考虑到当代个体的适应值是否向着最优个体的适应值逼近,因此提出了一种新型的自适应差分进化算法FMDE;考虑到粒子群算法和差分进化算法类似,为了充分发挥两种算法的特点,提出了自适应差分进化和粒子群的混合算法PSO_FMDE;最后采用测试数据集对性能进行分析;实验结果表明,该算法根据进化过程中的搜索进度自适应地确定变异率,使算法易于跳出局部最优解,以提高全局搜索能力。PSO_FMDE算法较单一算法而言,性能更优,更易于靠近全局最优解。(本文来源于《计算机测量与控制》期刊2019年08期）
张园,谭兴龙,赵长胜,李晓明[8]（2019）在《顾及有色噪声的自适应粒子滤波UWB定位算法》一文中研究指出传统卡尔曼滤波算法要求噪声模型符合高斯分布,在UWB室内定位中,由于载体本身的机制等干扰,观测噪声不仅仅是白噪声,也存在有色噪声的情况,而粒子滤波可以处理有色噪声的问题。本文通过增加似然分布自适应调整来改进粒子滤波用于目标跟踪的精度,同时研究在白噪声、有色噪声下似然分布自适应调整粒子滤波和拓展卡尔曼滤波在UWB中的优势与不同。试验结果表明:观测噪声为白噪声时,拓展卡尔曼滤波和粒子滤波均可以较好地实现对行人的定位跟踪;观测噪声为有色噪声时,自适应粒子滤波定位效果优于粒子滤波、拓展卡尔曼滤波。(本文来源于《测绘通报》期刊2019年08期）
杨颖颖,陈寿文[9]（2019）在《一种动态邻域自适应粒子群优化算法》一文中研究指出针对粒子群优化算法(PSO)易出现早熟收敛及寻优精度低等缺陷,提出一种动态邻域调度策略DNSS,该策略的基本思想是:结合全局版PSO快速收敛和局部版PSO收敛精度高各自优点,选用环形和星形拓扑结构来构建不同的粒子邻域,通过监测粒子聚集度因子来自适应地确定粒子邻域拓扑结构.进一步地,设计了基于DNSS的自适应PSO算法APSOD.使用6个基本测试函数对APSOD算法及其他2个算法进行仿真实验比较,结果验证了算法APSOD能增强寻优能力,且具有较强的稳定性.(本文来源于《通化师范学院学报》期刊2019年08期）
张瑶,李佩娟,贾茜,刘树青[10]（2019）在《基于自适应粒子群的农机自动转向系统分数阶控制》一文中研究指出【目的】针对电控液压式农机自动转向系统的不稳定及响应慢等特点,提出一种分数阶PI~λD~μ控制器控制农机自动转向系统的方法.【方法】首先根据分数阶的控制原理,设计分数阶PI~λD~μ控制器,并建立控制系统的仿真模型,最后应用自适应粒子群算法优化分数阶PI~λD~μ控制器的5个参数(k_p,k_i,k_d,λ,μ),避免粒子群算法陷入局部最优.为验证该方法的性能,采用文献[12]的试验平台,对系统进行多种信号的仿真跟踪.【结果】在迭代5次左右模型稳定,阶跃信号跟踪实验中,上升时间是0.0125 s,超调量0.01%,稳态误差是0,优于传统PID的控制效果,正弦信号与随机信号仿真跟踪实验效果良好,模型抗扰动能力强.【结论】仿真实验表明,设计的自适应粒子群分数阶控制方法对提高农机自动转向控制系统的稳定性、快速性及精度具有重要意义.(本文来源于《甘肃农业大学学报》期刊2019年04期）
自适应粒子群论文开题报告
（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：
光伏组件表面因灰尘沉降形成的局部阴影使得光伏阵列功率-电压特性曲线出现多个峰值,从而造成传统的最大功率点跟踪算法失效。粒子群算法因具有良好的全局寻优特性,被应用于局部阴影下的最大功率点追踪中,但仍存在搜索速度慢、精度不高等缺点。基于迁徙策略的自适应粒子群算法采用了自适应系数,其惯性权重和学习因子随着迭代次数的变化而变化,有效地平衡了算法的全局搜索能力和局部寻优能力;同时引入迁徙策略,根据评价算子对粒子种群的多样性进行判断,对多样性低的粒子种群执行迁徙操作,增加种群间的信息交流,跳出局部最优区域。仿真实验结果表明:该算法能避免早熟收敛问题,提高了算法的收敛速度和搜索精度,在静态和动态阴影中都具有良好的追踪效果。
（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。
自适应粒子群论文参考文献
[1].曹文梁,康岚兰.高斯过程回归超参数自适应选择粒子群优化算法[J].合肥工业大学学报(自然科学版).2019
[2].张红民,巴忠镭,王艳,孙成胜.一种基于迁徙策略的自适应粒子群算法[J].重庆理工大学学报(自然科学).2019
[3].李雨泰,李伟良,尚智婕,王洋,董希杰.基于云自适应粒子群优化算法和随机森林回归(CAPSO-RFR)的负载均衡预测[J].微型电脑应用.2019
[4].张园,赵长胜,李晓明.一种基于动量BP算法的似然分布自适应粒子滤波[J].小型微型计算机系统.2019
[5].侯欢欢.自适应动态调整粒子群的云计算任务调度[J].计算机应用与软件.2019
[6].黄健,严胜刚.基于区域划分自适应粒子群优化的超短基线定位算法[J].控制与决策.2019
[7].周艳平,蔡素,李金鹏.一种粒子群和改进自适应差分进化混合算法及在生产调度中的应用[J].计算机测量与控制.2019
[8].张园,谭兴龙,赵长胜,李晓明.顾及有色噪声的自适应粒子滤波UWB定位算法[J].测绘通报.2019
[9].杨颖颖,陈寿文.一种动态邻域自适应粒子群优化算法[J].通化师范学院学报.2019
[10].张瑶,李佩娟,贾茜,刘树青.基于自适应粒子群的农机自动转向系统分数阶控制[J].甘肃农业大学学报.2019
标签：超参数; 高斯过程回归(GPR); 粒子群优化(PSO); 自适应变异;