导读:本文包含了多种群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:系统辨识,粒子群算法,传递函数
多种群粒子群优化算法论文文献综述
周刘喜,陈育中,嵇朋朋[1]（2019）在《基于多种群粒子群优化算法的传递函数辨识》一文中研究指出本文提出了一种多种群粒子群算法,以误差平方和为适应度函数对系统的传递函数进行辨识。该算法中不同种群对应不同系统阶次,可以实现系统模型阶次和参数的同步辨识。典型系统仿真结果表明了该方法的有效性和可行性。(本文来源于《电子测试》期刊2019年22期）
王英伟,马树才[2]（2019）在《一种多种群综合学习粒子群优化算法》一文中研究指出针对综合学习算法(Comprehensive learning particle swarm optimization,CLPSO)在解决全局优化问题时精度不高且收敛速度慢的问题,提出一种多种群综合学习算法(MS_CLPSO).该算法将传统粒子群算法的社会部分引入CLPSO算法,有效提高了算法的收敛速度和局部开采能力;同时,为扩大粒子的空间搜索范围,算法引入多种群策略,提高了算法全局勘探能力;并针对可能陷入局部极值的粒子,采用全局学习策略更新学习样本,增加了种群中粒子多样性.实验结果表明,在处理单峰和多峰标准测试函数中,MSCLPSO算法有效提高了CLPSO算法的精度和收敛速度.(本文来源于《数学的实践与认识》期刊2019年10期）
李佳玲[3]（2019）在《基于混沌优化的多种群粒子群优化算法的研究及其应用》一文中研究指出多种群粒子群优化算法(Multi-swarm particle swarm optimization,MPSO)将种群划分成若干个子群,子群内的各个粒子既独立寻优,又通过共享信息而协同搜索,是一种局部搜索与全局搜索相融合的优化算法。然而,它跟基本粒子群优化算法(PSO)相同,在搜索过程中速度越来越小,粒子可能会慢慢停滞,出现过早地收敛,最终陷入局部最优的状况。作为一种非线性现象,混沌本身具有一定规律性,遍历性以及随机性等特点。混沌优化借助混沌搜索的优点,能够在小范围内进行高效地遍历,比传统的随机搜索算法更具优越性。因此,本文把混沌优化引入多种群粒子群优化算法进行研究,并将提出的两种混合算法分别应用于解决复杂的函数优化以及基因表达谱数据的基因选择问题。本文的主要工作如下:(1)提出了一种基于一维混沌优化和排序交流的多种群粒子群优化算法(HMPSO-OCS)求解单目标连续函数的优化问题。首先为了能够加强子群之间的信息交流,提高算法的全局搜索能力,设计了一种基于排序的子群交流机制,旨在更新各个子群的最差个体。即先对子群中的个体进行排序,再对子群进行排序,使得每个子群中的最差个体都有机会向排名靠前的子群中的最优个体进行学习,从中获取有用的信息并进行更新。另外,为了加强算法的局部搜索能力,周期性地使用一维混沌优化对子群中的全局最优个体进行寻优。实验结果表明,相比于传统的PSO及其改进版本算法以及MPSO算法,HMPSO-OCS算法的搜索性能更好,在八个基准测试函数上取得了更好的寻优结果。(2)提出了一种基于混沌优化和外部队列的改进二进制多种群粒子群优化算法(HMBPSO-EA),用于选择基因表达谱数据中的特征基因。借助混沌优化的遍历性等特点,HMBPSO-EA使用混沌优化更新粒子的惯性权重,以协调粒子的全局与局部搜索性能。同时,为使各个子群中的信息得到充分利用并协助种群进化,设计了一个外部队列,存储每个子群的有用信息便于子群之间交流与分享。其中,每个子群中的全局最优粒子作为当前子群的最优个体,提供该子群的较优信息存储于外部队列中。周期性地从外部队列中抽取信息协助子群,可以让子群更为高效地寻优。最后,将HMBPSO-EA应用于基因选择问题,选取基因表达谱数据中的关键特征基因,以辅助癌症诊断。实验结果表明,在六个常用的基因表达谱数据集中,相比于基于MBPSO以及BPSO的传统基因选择方法,基于HMBPSO-EA的基因选择方法能够找到具有更高分类性能和具有一定解释性的基因子集。(本文来源于《江苏大学》期刊2019-04-01）
李奕铭,张红飞,程琳,王劼[4]（2018）在《基于多种群子空间学习的粒子群优化算法》一文中研究指出针对标准粒子群(particle swarm optimization,PSO)算法易陷入局部最优、进化后期收敛速度慢和收敛精度低的缺点,提出一种基于多种群子空间学习的粒子群优化算法(MSPSO)。算法将种群分成多个子群,除了传统的种群历史最优粒子和全局最优粒子,还引入分群最优粒子和混合粒子,该混合粒子随机选择各子群最优粒子的相关维度混合而成,增加种群多样性,防止算法陷入局部最优。在种群进化后期,算法对子群最优粒子进行子空间学习,帮助算法逃离局部最优,加快收敛速度。在固定评估次数的情况下,对8种经典的测试函数进行仿真实验,相比较经典知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等,MSPSO算法不仅在低维和高维仿真实验中,在逃离局部最优、全局收敛速度和收敛精度上,具有绝对的优势。(本文来源于《计算机与数字工程》期刊2018年09期）
包虹斐[5]（2018）在《基于蛙跳算法和增删机制的多种群粒子群优化算法及其应用》一文中研究指出多种群粒子群优化算法具有可调参数少,全局搜索能力良好,种群多样性较高等优点。然而,整个种群的信息共享较多依赖种群的重组周期。在算法后期的收敛过程中,由于种群间不能得到充分交流,导致种群跳出局部最优的能力不强,种群多样性丧失过快。而蛙跳算法与粒子群优化算法相比具有更好的种群多样性。因此,为了提高算法的种群多样性,增强算法的全局搜索能力和局部搜索能力,本文提出了一种基于蛙跳算法的多种群粒子群优化算法,其中包括多种群分群策略、多种群更新策略和多种群合作策略。多种群分群策略改变了种群的分群方式,提高了副群全局搜索的能力;粒子更新策略使得种群在拥有全局搜索能力的同时,提高了种群收敛精度;多种群合作策略则提高了种群间交流能力。为进一步提高种群多样性,从而提高算法跳出局部最优的能力,引入了一个增删机制来记录粒子的更新状态,对粒子进行更新或删除操作。最后,将改进的多种群粒子群算法应用在了基因表达谱的特征选择中。本文的主要工作如下:1)针对多种群粒子群优化算法中随机分类不稳定,种群交流能力不足,多样性流失过快的缺点,提出了基于蛙跳机制的多种群粒子群算法(MSLPSO)。首先,对粒子进行新的种群分类策略,将粒子按照计算得到的粒子适应度函数值进行降序排列并以此分群,以此提高了种群的全局搜索能力。其次,在主群和副群中,算法采用不同的更新策略来更新。主群负责收敛以提高算法的收敛精度,副群负责搜索整个解空间,在保证了全局搜索能力的同时,提高了算法的收敛精度。最后,种群使用了一种新的信息交流机制。副群之间没有直接的通信,每个副群仅负责各自的全局搜索。当副群搜索到更好的解决方案时,该粒子通过替换主群中指定位置的粒子来与主群进行通信,提高了种群跳出局部最优的能力。通过与多个改进粒子群优化算法和蛙跳算法(SFLA)的比较,实验结果表明,基于蛙跳算法的多种群粒子群优化算法具有更高的收敛精度和更快的收敛速度。2)针对多种群粒子群优化算法种群多样性不足的缺点,在MSLPSO的基础上,提出了一种粒子增删机制,并将改进算法应用于基因表达谱的特征选择方法中。首先,提出了一种增删机制来记录粒子的更新状态,为算法中的每个粒子赋予一个周期值,当粒子更新到更好状态时,粒子周期值重置为0,否则,粒子周期值增加1,当粒子周期值达到预设值时,删除粒子并重新生成新的粒子,防止了粒子停滞不前,提高了整个种群在全局搜索中的多样性。其次,本文将改进的算法应用于基因表达谱的特征选择方法中,并与其它使用PSO的改进方法相比,该方法在数据集上的实验结果表明,基于上述改进算法的基因选择方法,进一步提高了所选基因子集的分类准确率。(本文来源于《江苏大学》期刊2018-04-01）
曾辉,王倩,夏学文,方霞[6]（2018）在《基于自适应多种群的粒子群优化算法》一文中研究指出为了平衡算法的探测能力和开采能力,提高粒子群算法在不同类型问题上的综合性能,提出了一种基于自适应多种群的粒子群优化算法(PSO-SMS)。算法包含重组、子群规模调整和探测叁个模块。在演化初始阶段,整个种群被划分成许多子种群。重组模块使不同子群间可以共享优势信息,有利于单峰和多峰函数的优化。当种群陷入潜在的局部最优时,探测模块可基于搜索过程的一些历史信息,帮助跳出当前的局部最优。通过子群规模调整,每个子种群的大小随着进化的过程而逐渐增加,有利于提高算法在初始阶段的探测能力和后期的开采能力。通过CEC2013的测试集与其他七种PSO算法的比较表明,PSO-SMS算法在解决不同类型的函数优化问题上有着突出的性能表现。(本文来源于《计算机工程与应用》期刊2018年10期）
郭荣,崔东文[7]（2017）在《异构多种群粒子群优化算法-投影寻踪模型在水资源安全评价中的应用》一文中研究指出提出最严格水资源管理制度下的水资源安全评价指标体系和分级标准,构建基于投影寻踪(PP)模型的水资源安全评价模型,以文山州及所辖行政区水资源安全评价为例进行实例研究。首先,基于最严格水资源管理制度及水资源安全基本内涵,从水资源禀赋、用水总量、用水效率与限制纳污4个方面遴选出17个指标,用于构建水资源安全评价指标体系分级标准;其次,针对PP模型在实际应用中最佳投影方向a难以确定,以及传统单种群粒子群优化(PSO)算法易出现早熟收敛等不足,提出一种异构多种群粒子群优化(CHPSO)算法,该算法将整个种群分为4个异构但彼此信息共享的子群,各子群采用不同的搜索策略进行搜索,依据不同的信息共享机制在子群之间进行信息共享,最终将子群中最优解作为该算法的全局最优解,并通过4个高维复杂函数对该算法进行对比验证;最后,利用CHPSO算法搜寻PP模型最佳投影方向a,提出CHPSO—PP水资源安全评价模型,并对实例进行评价。结果表明:(1)CHPSO算法具有较好的收敛精度和全局寻优能力,将CHPSO算法用于PP模型最佳投影方向a的选取,可有效提高PP模型评价精度;(2)CHPSO—PP模型对文山州及所辖行政区2015、2020和2030年水资源安全评价结果分别为"临界安全—较安全"、"较安全"和"较安全—非常安全"。(本文来源于《珠江现代建设》期刊2017年05期）
孙辉,朱德刚,王晖,赵嘉[8]（2016）在《多种群子空间学习粒子群优化算法》一文中研究指出针对标准PSO在处理复杂高维优化问题时易出现收敛速度慢、陷入局部最优等问题,提出一种多种群子空间学习的粒子群优化算法(MSPSO).该方法构造了一种新的多子群间信息共享模式,提出子空间学习的概念,并对普通粒子和精英粒子分别进行子空间学习.本文算法简单明确,易于实现,具有很强的稳定性、收敛速度快和较好的全局搜索能力.在固定评估次数的情况下,对常用的19个基准测试函数进行了30维和100维仿真实验,实验结果表明本文算法在收敛速度和求解精度上优于最近提出的几种知名算法(如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等),特别是在高维问题上优势更加明显.(本文来源于《小型微型计算机系统》期刊2016年09期）
王俊铭,刘佳琦,陈志刚,郭霖[9]（2016）在《基于多种群进化与粒子群优化混合的频谱分配算法》一文中研究指出为了解决认知无线网络中的频谱分配问题,提出一种基于多种群进化与粒子群优化混合的频谱分配算法。它采用图论着色模型,首先使用遗传算法将多个种群进行独立进化,以提高种群的全局搜索能力;然后选出每个种群中的最优的个体作为粒子群优化的粒子,并通过控制每个粒子的初始速度方向来加快算法的收敛速度。最后以系统总收益最大化和用户间的公平性为优化目标与遗传算法和粒子群算法进行了对比实验,仿真结果表明,该算法在收敛速度、认知用户接入公平性和系统总收益3个方面的性能均优于遗传算法和粒子群算法。(本文来源于《计算机科学》期刊2016年04期）
崔东文[10]（2015）在《异构多种群粒子群优化算法在水位流量关系拟合中的应用》一文中研究指出通过8个复杂函数对一种异构多种群粒子群优化算法进行仿真验证,并与传统单种群粒子群优化算法进行对比。针对水位流量关系拟合中相关参数难以确定的不足,利用异构多种群粒子群优化算法优化水位流量关系相关参数,以云南省龙潭站、西洋站水位流量关系拟合为例进行实例研究,并与粒子群优化算法、最小二乘法拟合结果进行对比。结果表明:异构多种群粒子群优化算法收敛精度远远优于粒子群优化算法,具有较好的计算鲁棒性和全局寻优能力。该算法对龙潭站和西洋站水位流量关系拟合的平均相对误差绝对值分别仅为0.27%和0.50%,拟合精度优于粒子群优化算法和最小二乘法。利用异构多种群粒子群优化算法优化水位流量关系可以获得更好的拟合效果。(本文来源于《水利水运工程学报》期刊2015年05期）
多种群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：
针对综合学习算法(Comprehensive learning particle swarm optimization,CLPSO)在解决全局优化问题时精度不高且收敛速度慢的问题,提出一种多种群综合学习算法(MS_CLPSO).该算法将传统粒子群算法的社会部分引入CLPSO算法,有效提高了算法的收敛速度和局部开采能力;同时,为扩大粒子的空间搜索范围,算法引入多种群策略,提高了算法全局勘探能力;并针对可能陷入局部极值的粒子,采用全局学习策略更新学习样本,增加了种群中粒子多样性.实验结果表明,在处理单峰和多峰标准测试函数中,MSCLPSO算法有效提高了CLPSO算法的精度和收敛速度.
（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。
多种群粒子群优化算法论文参考文献
[1].周刘喜,陈育中,嵇朋朋.基于多种群粒子群优化算法的传递函数辨识[J].电子测试.2019
[2].王英伟,马树才.一种多种群综合学习粒子群优化算法[J].数学的实践与认识.2019
[3].李佳玲.基于混沌优化的多种群粒子群优化算法的研究及其应用[D].江苏大学.2019
[4].李奕铭,张红飞,程琳,王劼.基于多种群子空间学习的粒子群优化算法[J].计算机与数字工程.2018
[5].包虹斐.基于蛙跳算法和增删机制的多种群粒子群优化算法及其应用[D].江苏大学.2018
[6].曾辉,王倩,夏学文,方霞.基于自适应多种群的粒子群优化算法[J].计算机工程与应用.2018
[7].郭荣,崔东文.异构多种群粒子群优化算法-投影寻踪模型在水资源安全评价中的应用[J].珠江现代建设.2017
[8].孙辉,朱德刚,王晖,赵嘉.多种群子空间学习粒子群优化算法[J].小型微型计算机系统.2016
[9].王俊铭,刘佳琦,陈志刚,郭霖.基于多种群进化与粒子群优化混合的频谱分配算法[J].计算机科学.2016
[10].崔东文.异构多种群粒子群优化算法在水位流量关系拟合中的应用[J].水利水运工程学报.2015