导读:本文包含了自适应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:超参数,高斯过程回归(GPR),粒子群优化(PSO),自适应变异
自适应粒子群优化算法论文文献综述
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）
李雨泰,李伟良,尚智婕,王洋,董希杰[2]（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）
黄健,严胜刚[3]（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）
杨颖颖,陈寿文[4]（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）
赵国新,陈志炼,魏战红[5]（2019）在《混合自适应量子粒子群优化算法》一文中研究指出为解决量子粒子群优化算法在迭代后期出现的种群多样性低导致的早熟收敛、陷入局部最优的问题,提出叁点改进:(1)将收缩—扩张系数与适应度值联系起来,收缩—扩张系数会随着粒子的适应度值的改变而自适应调整;(2)使用差分策略更新粒子的随机位置,使得粒子向种群最优位置靠近;(3)粒子位置的更新加入Levy飞行策略,利用Levy飞行策略的偶尔长距离的跳跃,使得种群多样性增加,提高了跳出局部最优的能力,综合以上叁点,提出一种混合自适应量子粒子群优化算法(HAQPSO).通过对比各个算法在6个典型函数的仿真测试结果表明:HAQPSO具有更好的全局收敛能力,且收敛精度、速度和稳定性都有明显的提升.(本文来源于《微电子学与计算机》期刊2019年07期）
黄虎,雷宇辉,杨丁,熊晨皓[6]（2019）在《基于粒子群优化的自适应灰度化算法》一文中研究指出为了解决传统图像灰度化方法难以充分保存初始图像的原有特征的缺点,提出了一种基于粒子群优化的自适应灰度化算法。根据高像素值像素在彩色图像单通道的灰度直方图分布,通过粒子群寻优选取最好的阈值并自动生成的各分量权值进行图像灰度化。仿真实验表明,比起传统灰度化方法,提出的方法避免了在灰度化过程中,面对不同的彩色图像而通道权值一成不变的缺陷,更好地保留了初始彩色图像的原有特征,为后续的图像处理提供了良好的基础。(本文来源于《微型电脑应用》期刊2019年06期）
王越,邱飞岳,郭海东[7]（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）
孙冲,李文辉[8]（2019）在《基于搜索空间自适应分割的多目标粒子群优化算法》一文中研究指出提出一种基于搜索空间自适应分割的多目标粒子群优化算法,根据粒子的搜索能力和规模与子搜索空间的体积呈多维标准正态分布变换,精细分割搜索空间,向划分出的子搜索空间分布粒子实现优化,分割在迭代时持续进行,直至获得最优解集.实验结果表明:该方法解决了多目标粒子群优化算法易陷入局部极值的问题;在反向世代距离性能指标上,该算法与一些典型的多目标粒子群优化算法相比,其种群多样性和解的收敛性优势显着.(本文来源于《吉林大学学报(理学版)》期刊2019年02期）
李才发,侯森[9]（2019）在《一种基于进化的自适应卡尔曼修正粒子群优化算法》一文中研究指出提出了一种新的基于达尔文进化的自适应卡尔曼修正粒子群优化算法(AK-DPSO,Adaptive Kalman correction Darwin Particle Swarm Optimization)。卡尔曼修正机制能够利用种群粒子位置更新过程的相关性信息提高算法搜索速度。使用了一种基于子梯度计算的方法来自适应地调整算法的系数,在每次迭代后算法根据卡尔曼修正机制调整全局最优点的位置,这样的调整能够显着地提升算法在搜索空间中的搜索效率和收敛率。同时,为了克服早熟收敛的问题,AK-DPSO采取了基于自然选择的达尔文进化机制,通过多个子群的自然进化增强粒子群的多样性,从而减小算法陷入局部最优点的可能性。进行了一系列的实验,实验结果证明本文算法能够在多个性能指标上达到或者超过现有粒子群优化算法的水平。(本文来源于《东莞理工学院学报》期刊2019年01期）
仝秋娟,赵岂,李萌[10]（2019）在《基于自适应动态改变的粒子群优化算法》一文中研究指出粒子群算法在处理优化问题时缺乏有效的参数控制,易陷入局部最优,导致收敛精度低.提出一种新的改进粒子群优化算法,算法根据粒子的适应度值动态自适应地调整算法中惯性权重和学习因子的取值,其中惯性权重采用非线性指数递减,有利于平衡算法的全局搜索与局部搜索能力,避免算法陷入局部极值;学习因子采用异步变化的策略,以增强算法的学习能力,进而提高算法的性能.数值实验结果表明,与SPSO、PSO-DAC算法相比较,改进后的算法无论在收敛速度、稳定性以及收敛精度上都有显着提高.(本文来源于《微电子学与计算机》期刊2019年02期）
自适应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。
（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。
自适应粒子群优化算法论文参考文献
[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].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
[3].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
[4].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
[5].赵国新,陈志炼,魏战红.混合自适应量子粒子群优化算法[J].微电子学与计算机.2019
[6].黄虎,雷宇辉,杨丁,熊晨皓.基于粒子群优化的自适应灰度化算法[J].微型电脑应用.2019
[7].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
[8].孙冲,李文辉.基于搜索空间自适应分割的多目标粒子群优化算法[J].吉林大学学报(理学版).2019
[9].李才发,侯森.一种基于进化的自适应卡尔曼修正粒子群优化算法[J].东莞理工学院学报.2019
[10].仝秋娟,赵岂,李萌.基于自适应动态改变的粒子群优化算法[J].微电子学与计算机.2019
标签：超参数; 高斯过程回归(GPR); 粒子群优化(PSO); 自适应变异;