导读:本文包含了粒子群模拟退火融合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:K-调和均值,模拟退火,粒子群算法,聚类
粒子群模拟退火融合算法论文文献综述
毛力,刘兴阳,沈明明[1]（2011）在《融合K-调和均值和模拟退火粒子群的混合聚类算法》一文中研究指出针对K-调和均值和模拟退火粒子群聚类算法的优缺点,提出了1种融合K-调和均值和模拟退火粒子群的混合聚类算法。首先通过K-调和均值方法将粒子群分成若干个子群,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。同时引入模拟退火思想,抑制了早期收敛,提高了计算精度。本文使用Iris、Zoo、Wine和Image Segmentation,4个数据库,以F-measure为评价聚类效果的标准,对混合聚类算法进行了验证。研究发现,该混合聚类算法可以有效地避免陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。该算法目前已用于无锡一淡水养殖基地的水产健康养殖水质分析系统,运行效果良好。(本文来源于《计算机与应用化学》期刊2011年02期）
王芳[2]（2010）在《粒子群模拟退火融合算法及其在物流配送问题中的应用》一文中研究指出配送中心选址问题和车辆路径问题是物流配送系统中两个非常重要的组成部分,粒子群算法是一种原理简单,应用广泛的优化算法,将粒子群优化算法进行改进,以配送中心选址问题和车辆路径问题为应用背景,具有一定的理论意义和实际应用价值。本文首先对配送中心选址问题、车辆路径问题进行了综合性的介绍,对粒子群优化算法的原理及其参数选择策略等做出了较全面的诠释。结合模拟退火算法全局搜索能力较强的优势,将模拟退火算法思想与粒子群算法融合,采用标准测试函数进行了测试实验,并比较和分析了改进的粒子群算法和基本的粒子群优化算法的测试效果与性能的优劣,实验结果表明改进后的粒子群优化算法跳出局部最优解的能力更强,更能有效避免陷入局部最优,在收敛速度和收敛精度上也有一定的提高。将改进的算法应用到配送中心选址问题和车辆路径问题,并进行了实例仿真实验,并取得了较好的仿真效果；结果表明,改进的粒子群算法在处理复杂的组合优化问题上,搜索的成功率有了明显提高,是处理NP完全问题的一种比较好的方法。(本文来源于《华东理工大学》期刊2010-12-26）
钟寿桂[3]（2009）在《基于离散粒子群与模拟退火融合算法的自动小车存取系统货位优化》一文中研究指出随着现代工业的快速发展,自动化立体仓库得到越来越多的应用。面对成千上万的货格,立体仓库的货位存储优化已成为提高存取效率、降低成本的关键。自动小车存取系统(AVS/RS)是自动化立体仓库未来的主要发展方向,是柔性制造系统不可或缺的重要组成部分。因此,研究自动小车存取系统(AVS/RS)的货位优化,提高系统的工作效率就具有了积极的现实意义。本文以AVS/RS为研究对象,研究了货位优化系统的目标以及实现货位优化系统目标的手段,分析了货位优化方法以及采用离散粒子群与模拟退火融合算法进行货位优化的原因。根据AVS/RS的物理结构和逻辑特征,建立了系统的简易叁维数学模型,再结合自动化立体仓库货位优化的一般原则,建立了AVS/RS的货位优化数学模型,并对其进行了数学描述。综合考虑了货物的质量和存取频率对自动小车存取系统进行了货位预分区,并进行了优化,最后再在指定分区内对货位进行优化,利用Matlab工具对其进行了仿真,表明了本文提出的货位优化手段是有效的。(本文来源于《厦门大学》期刊2009-05-01）
贾松卫,高岳林[4]（2009）在《融合模拟退火和混沌的混合粒子群算法》一文中研究指出为了改善粒子群算法的全局搜索能力,把模拟退火思想融于惯性权重的选取之中,再利用混沌运动的特性来融合混沌算法,对早熟的种群进行自适应混沌变异。数值仿真结果表明,所产生的混合粒子群算法能更好地平衡局部寻优和全局寻优,提高了全局寻优的能力和计算的精度。(本文来源于《计算机工程与应用》期刊2009年07期）
韩小雷[5]（2008）在《粒子群—模拟退火融合算法及其在函数优化中的应用》一文中研究指出优化是一种以数学为基础,用于求解各种实际问题的应用技术,其目的是对一个给定的问题,从众多方案中选择出最优方案,使目标函数适应度达到最优值。随着人们认识与改造世界能力的扩大,在实际工程领域中,涌现出多目标、非线性、不可微,甚至混杂的系统。经典优化方法不能有效求解,必须采用计算智能技术来解决此类问题。20世纪80年代以来,智能优化算法(人工神经网络、模拟退火算法、遗传算法、粒子群算法和蚁群算法),通过模拟某些自然现象和过程发展起来,为优化理论提供了新的思路和手段,并在科学、经济以及工程领域得到了广泛应用。作为粒子群优化算法的改进——线性惯性权重粒子群优化算法,改善了粒子群优化算法易陷入局部最优的状况。但由于仅使惯性权重线性减小,使算法一旦进入局部最优点邻域内就很难跳出来,以致收敛到局部最优点,而且迭代次数往往较大。因此,本文提出了一种非线性的惯性权重调整策略,得到非线性惯性权重粒子群优化算法(ULWPSO),该方法虽在单峰、多峰中取得了较好的效果,但是在多峰函数中存在收敛精度较低,收敛成功率较低等缺点。在进化算法的搜索过程中,算法的探测和开发能力单靠一种算法往往无法得到有效的利用。因此,在粒子群优化算法的搜索过程中融合其他优化方法的思想,是提高粒子群优化算法搜索效率和求解质量的一个有效途径。因此,本文将模拟退火算法的Metropolis准则引入到非线性调整惯性权重粒子群优化算法(ULWPSO)中,得到粒子群—模拟退火融合算法(ULWPSO-SA融合算法),使得粒子在飞行的过程中,不仅可以接受使目标函数适应度“变优”的解,而且可以一定的概率接受使目标函数适应度“变坏”的解。实验表明ULWPSO-SA融合算法在寻找全局最优值的过程中增加了粒子的多样性,增强了粒子群摆脱局部最优解的能力,不易陷入局部最优,具有较强的全局寻优能力,较高的收敛速度和收敛精度。(本文来源于《武汉理工大学》期刊2008-04-01）
粒子群模拟退火融合算法论文开题报告
（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：
配送中心选址问题和车辆路径问题是物流配送系统中两个非常重要的组成部分,粒子群算法是一种原理简单,应用广泛的优化算法,将粒子群优化算法进行改进,以配送中心选址问题和车辆路径问题为应用背景,具有一定的理论意义和实际应用价值。本文首先对配送中心选址问题、车辆路径问题进行了综合性的介绍,对粒子群优化算法的原理及其参数选择策略等做出了较全面的诠释。结合模拟退火算法全局搜索能力较强的优势,将模拟退火算法思想与粒子群算法融合,采用标准测试函数进行了测试实验,并比较和分析了改进的粒子群算法和基本的粒子群优化算法的测试效果与性能的优劣,实验结果表明改进后的粒子群优化算法跳出局部最优解的能力更强,更能有效避免陷入局部最优,在收敛速度和收敛精度上也有一定的提高。将改进的算法应用到配送中心选址问题和车辆路径问题,并进行了实例仿真实验,并取得了较好的仿真效果；结果表明,改进的粒子群算法在处理复杂的组合优化问题上,搜索的成功率有了明显提高,是处理NP完全问题的一种比较好的方法。
（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。
粒子群模拟退火融合算法论文参考文献
[1].毛力,刘兴阳,沈明明.融合K-调和均值和模拟退火粒子群的混合聚类算法[J].计算机与应用化学.2011
[2].王芳.粒子群模拟退火融合算法及其在物流配送问题中的应用[D].华东理工大学.2010
[3].钟寿桂.基于离散粒子群与模拟退火融合算法的自动小车存取系统货位优化[D].厦门大学.2009
[4].贾松卫,高岳林.融合模拟退火和混沌的混合粒子群算法[J].计算机工程与应用.2009
[5].韩小雷.粒子群—模拟退火融合算法及其在函数优化中的应用[D].武汉理工大学.2008