导读:本文包含了粒子进化论文开题报告文献综述及选题提纲参考文献，主要关键词:无线传感器,节点定位,粒子群,差分进化
粒子进化论文文献综述
郑建国,张学煜[1]（2019）在《混合粒子群和差分进化的定位算法》一文中研究指出针对由测量误差造成的无线传感器网络定位精度不高的问题,提出一种混合粒子群和差分进化的节点定位算法(HPSO-DE);首先,对粒子群算法的惯性权重进行自适应更新,使得每个个体随着迭代次数的增加而增大,进而提高其全局探索能力,然后改进差分进化算法的变异策略,从而提高该算法的局部寻优能力,之后将个体先经过改进的粒子群算法优化,低于平均适应度值的个体继续通过改进的差分进化算法优化,从而得到HPSO-DE算法;HPSO-DE算法继承了二者的优点,提高了该算法的最优解精度和收敛速度;最后在无线传感器网络节点定位模型中应用HPSO-DE算法,仿真结果表明,所提HPSO-DE算法在测距误差为30%时,定位误差比PSO和DFOA分别少2.1m和1.1m,具有更高的定位精度和更强的抗误差性能。(本文来源于《计算机测量与控制》期刊2019年10期）
周艳平,蔡素,李金鹏[2]（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）
王鹏,芦浩,刘金枝,薛茜男,金志威[3]（2019）在《基于协同进化的航空高度单粒子翻转故障生成方法研究》一文中研究指出大气中子是航空高度下造成航空器机载电子系统翻转故障的主要辐射源。面对航空单粒子效应与航空高度影响关系,该文提出一种基于协同进化的单粒子翻转故障生成方法。生成的故障数据用于模拟实际中子通量随高度变化的规律,为机载电子设备单粒子效应加固和防护实验提供数据支持,同时也可以用于分析航空机组人员飞行期间所接收的中子辐射剂量。验证结果表明,该单粒子翻转故障生成方法生成故障数据与真实高度变化下单粒子失效特征吻合,能够满足器件航空单粒子效应加固测试的需求。(本文来源于《现代电子技术》期刊2019年16期）
杨蕾,梁永全[4]（2019）在《协同进化策略的粒子群优化算法》一文中研究指出为了进一步提高粒子群优化算法的寻优精度,并改善收敛速度慢的问题,本文基于传统的粒子群优化算法,借鉴协同进化的思想和共生机制,提出了将协同进化算法和粒子群算法相结合的算法模型(CEA-PSO)。群体内部采用精英保留策略保留精英个体,将个体的进化和群体之间发生信息交换,达到优势互补的效果。实验结果表明,协同进化策略的粒子群优化算法精度更高,优化性能更佳。(本文来源于《软件》期刊2019年08期）
刘婧珂,吉培荣,刘浩,郑年伟[5]（2019）在《基于差分进化粒子群算法的储能系统容量优化》一文中研究指出合理的风光互补储能发电系统的容量配置,能够调高风光互补储能发电系统的经济性,提高电力系统运行的安全可靠性。本文以提高系统可靠性、降低系统运行成本为目标,以储能电池充放电功率限制以及系统最大装机容量等为约束条件,搭建了风光储互补发电系统容量优化配置模型。通过混合差分进化法和粒子群算法,得到了一种优化改进的算法,对系统容量进行优化。最后以宜昌某地区2017年度的风光实时数据为例,验证了该方法的优越性和合理性。算例结果表明,相比原始的差分进化法和粒子群算法,采用混合算法能够更快更好的得到优化结果,且仿真结果表明该算法有效降低了系统不满足电力负荷需求的概率以及系统电能的浪费率,在保证系统运行可靠性的同时,大大降低了系统的运行成本,使系统的经济性得以提升。(本文来源于《电力科学与工程》期刊2019年07期）
留黎钦,孙波,王保云,张萍[6]（2019）在《基于差分进化的量子粒子群优化算法的研究》一文中研究指出为了提高量子粒子群算法(QPSO)的性能,利用差分进化对量子粒子群算法进行了优化.该优化算法(DE-QPSO)在粒子更新过程中,首先通过添加一个扰动来产生一个变异粒子,然后对变异粒子进行交叉操作产生新的试验粒子,最后对试验粒子进行选择操作,确定进入下一次迭代的个体.用5种标准测试函数对DE-QPSO、QPSO和粒子群算法(PSO)的性能进行对比测试,结果表明DE-QPSO算法的性能明显优于PSO和QPSO算法,具有较好的应用价值.(本文来源于《延边大学学报(自然科学版)》期刊2019年02期）
张煜培,赵知劲,郑仕链[7]（2019）在《融合学习差分进化和粒子群优化算法的认知决策引擎》一文中研究指出为了提高认知无线电系统的参数决策速度和性能,提出一种融合粒子群和学习差分进化算法的认知无线电决策引擎(HPSO-BLDE)。首先,对学习差分进化算法引入自适应变异机制,使得每条染色体随个体适应度和平均适应度进行自适应变异,提高其局部寻优能力。然后,改进粒子群算法的学习因子,并加入扰动项,防止算法早熟;选用更合适的变换函数,将正反向速度转换为相同概率更新粒子位置,提高最优解的精度,从而提高粒子群算法的全局寻优能力。最后,在认知引擎模型中并行地运行改进的粒子群算法(IBPSO)和差分进化算法(IBLDE),每隔固定的迭代次数后,融合两种算法的最优个体信息,得到HPSO-BLDE算法,使IBPSO算法和IBLDE算法的种群兼具二者的优点,从而提高了最优解的求解精度并加快了收敛速度。多载波通信系统的参数决策仿真结果表明,IBPSO算法、IBLDE算法和HPSO-BLDE算法的性能优于已有的爬山遗传(HGA)算法、量子粒子群算法(BQPSO)和二进制学习差分进化算法(BLDE),其中HPSO-BLDE算法的性能最优。(本文来源于《计算机科学》期刊2019年06期）
王国旺,夏新兵,郭运华[8]（2019）在《地应力场边界条件反演的粒子群-差分进化耦合方法》一文中研究指出地应力场的准确与否直接关系到岩土工程数值分析结果的可靠性,复杂地质条件下,往往不能满足弹性力学迭加原理,地应力场回归的反演方法受到较大限制。为解决这一不足,提出了一种反演数值模型边界条件来逼近初始地应力场的粒子群-差分进化耦合方法。研究表明,该方法可以避免回归方法获得的地应力场存在加载失真的缺陷,同时可以有效提高粒子群方法寻优的效率,实现地应力场的精确反演。(本文来源于《中国水运(下半月)》期刊2019年05期）
杜尚华,樊率军,赵玉建[9]（2019）在《基于进化粒子群算法的军事训练计划智能优化》一文中研究指出针对军事训练中补差训练计划手工拟制优化困难的问题,提出一种基于进化粒子群算法的计划智能优化方法。该方法以粒子群优化算法为基础,借鉴遗传算法中的生物竞争机制,引入生物个体的优胜劣汰算法,通过对低分个体的淘汰和高分个体的繁殖跳出局部最优陷阱,以快速获取全局最优个体,并设计熵权理想点法计算个体的综合评分结果,得到全局最优解。仿真结果表明:进化粒子群算法相比于标准粒子群算法、量子粒子群算法、遗传算法具有更好的收敛性和更高的计算效率,能够有效解决补差训练计划智能优化问题。(本文来源于《指挥控制与仿真》期刊2019年04期）
李才发,侯森[10]（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）
粒子进化论文开题报告
（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：
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。
（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。
粒子进化论文参考文献
[1].郑建国,张学煜.混合粒子群和差分进化的定位算法[J].计算机测量与控制.2019
[2].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
[3].王鹏,芦浩,刘金枝,薛茜男,金志威.基于协同进化的航空高度单粒子翻转故障生成方法研究[J].现代电子技术.2019
[4].杨蕾,梁永全.协同进化策略的粒子群优化算法[J].软件.2019
[5].刘婧珂,吉培荣,刘浩,郑年伟.基于差分进化粒子群算法的储能系统容量优化[J].电力科学与工程.2019
[6].留黎钦,孙波,王保云,张萍.基于差分进化的量子粒子群优化算法的研究[J].延边大学学报(自然科学版).2019
[7].张煜培,赵知劲,郑仕链.融合学习差分进化和粒子群优化算法的认知决策引擎[J].计算机科学.2019
[8].王国旺,夏新兵,郭运华.地应力场边界条件反演的粒子群-差分进化耦合方法[J].中国水运(下半月).2019
[9].杜尚华,樊率军,赵玉建.基于进化粒子群算法的军事训练计划智能优化[J].指挥控制与仿真.2019
[10].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