导读:本文包含了协同进化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:协同进化,粒子群优化算法,精英保留策略
协同进化粒子群优化算法论文文献综述
杨蕾,梁永全[1]（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）
梁静,刘睿,于坤杰,瞿博阳[2]（2018）在《求解大规模问题协同进化动态粒子群优化算法》一文中研究指出随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后,使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其他算法的对比,验证算法的有效性.(本文来源于《软件学报》期刊2018年09期）
戴月明,朱达祥,吴定会[3]（2016）在《核矩阵协同进化的震荡搜索粒子群优化算法》一文中研究指出针对粒子群算法搜索后期易陷入局部极值的缺点,提出一种基于核矩阵协同进化的震荡搜索粒子群优化(kenel matrix synergistic evolution shock search particle swarm optimization,KMSESPSO)算法,该算法对粒子进行局部与全局结合的震荡搜索,且当整个粒子种群陷入停滞状态时,利用核矩阵对特定粒子组进行协同进化以扩大种群的多样性。实验结果表明,KMSESPSO算法有效提高了粒子的全局搜索能力,既避免粒子种群易早熟收敛,又较好地提高寻优精度、加快收敛速度,且有一定的鲁棒性。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2016年02期）
匡芳君,张思扬,金忠,徐蔚鸿[4]（2014）在《混沌差分进化粒子群协同优化算法》一文中研究指出为有效地改善差分进化粒子群算法的性能,结合反向学习策略和信息交互机制,提出了一种新的混沌差分粒子群协同优化算法.该算法采用反向学习策略产生初始种群,使得初始个体尽可能均匀分布,然后将初始种群随机等分为双种群,对双种群分别采用改进的混沌差分进化算法和混沌粒子群优化算法进行协同寻优,并在双种群中引入信息交互学习机制,在维持种群多样性的同时加快收敛速度.通过对四个复杂高维的标准函数寻优测试,仿真结果表明,该算法能有效避免早熟收敛,收敛速度快,寻优精度较高,具有良好的全局搜索能力,鲁棒性好.(本文来源于《微电子学与计算机》期刊2014年08期）
王燕燕,葛洪伟,杨金龙,王娟娟[5]（2015）在《基于K-均值聚类的协同进化粒子群优化算法》一文中研究指出针对粒子群优化(PSO)算法优化高维问题时,易陷入局部最优,提出一种基于K-均值聚类的协同进化粒子群优化(KMS-CCPSO)算法。该算法通过引入K-均值算法扩大种群的局部搜索范围,采用柯西分布和高斯分布相结合的方法更新粒子的位置。实验结果表明,该算法具有较好的优化性能,其优势在处理高维问题上更为明显。(本文来源于《计算机工程与应用》期刊2015年22期）
刘利娜[6]（2014）在《基于多种群协同进化粒子群优化算法在入侵检测中的应用》一文中研究指出随着信息网络的飞速发展和Internet的普及，涌现出大量的网络安全问题，以往简单的防火墙技术，目前已无法解决错综复杂的网络安全问题。网络安全面临的问题主要向着多变性、智能性和隐藏性发展。为了增强网络的安全性，许多组织不断地提出更加稳健、更加积极的策略和计划，而入侵检测就是解决这个问题的有效方法之一，它可以采取有效的防御措施向用户提供实时的入侵检测相关信息。随着网络安全领域对入侵检测技术的深入研究，入侵检测技术在主动防御外来入侵方面，能够采取高效的处理技术，例如智能化技术，对入侵检测系统实行分布式保护措施。当系统受到外来攻击时，入侵检测技术能帮助其保持安全性和可操作性，同时入侵检测技术还能为系统继续提供关键性的服务。本文主要对入侵检测功能，分类和入侵检测的方法进行描述，并详细阐述粒子群算法是如何发展的，重点介绍了协同进化粒子群算法和多种群协同进化粒子群优化算法的步骤以及流程，通过利用经典函数对算法进行比较验证，可知MSPSO算法能够较快地找到全局最优适应函数，有较强的全局搜索能力，可弥补过早收敛，陷入局部极值的缺点。利用该算法对KDD CUP99入侵检测数据集进行规则提取，重点对KDD CUP99训练数据集和测试数据集进行测试。算法通过规则将KDD CUP99数据集测试应用于训练集和测试集，结果表明该算法应用于训练集的检测率平均达到95.251%，误报率平均仅有4.862%，应用于测试集的检测率平均为88.557%，误报率平均为7.058%。说明该算法在提取规则上实用且有效，对于检测率和误报率问题，该算法都能很好的解决，网络中出现的异常信息该算法也能够检测到。(本文来源于《哈尔滨理工大学》期刊2014-03-01）
张洁,裴芳[7]（2013）在《多策略协同进化粒子群优化算法》一文中研究指出为了提高粒子群优化(PSO)算法的优化性能,提出了一种多策略协同进化PSO(MSCPSO)算法。该方法引入了多策略进化模式和多子群协同进化机制,将整个种群划分为多个子群,每个子群中的粒子按照不同的进化策略产生新的粒子。子群周期性地更新共享信息,以加快算法的收敛速度。通过六个基准函数实验,仿真结果表明,新算法在计算精度和收敛速度方面均优于其他七种PSO算法。(本文来源于《计算机应用研究》期刊2013年10期）
徐冰纯,葛洪伟,王燕燕[8]（2013）在《基于多种群多模型协同进化的粒子群优化算法》一文中研究指出为克服标准粒子群优化(PSO)算法易陷入局部极值和优化精度较低的缺点,提出一种多种群多模型协同进化的粒子群优化(MSM-PSO)算法。将整个粒子群分成大小相等的3个分群,各分群采用不同的进化模型,分群间相互影响促进。同时采用自适应动态惯性权重,以保持种群多样性,降低陷入局部极值的概率。测试结果表明,该算法全局性能好、寻优精度高。(本文来源于《计算机工程》期刊2013年05期）
牛奔,李丽,楚湘华[9]（2009）在《新型多群体协同进化粒子群优化算法》一文中研究指出在基本的MCPSO算法中除了主群与从群的信息交流,从群之间没有信息交流。为了解决这一问题,提出了一种具有中心交流机制的改进MCPSO算法,该策略可以实现各个从群之间的信息交流,从而加快算法收敛。仿真实验结果表明改进后的算法具有较好的求解精度和较快的收敛速度。(本文来源于《计算机工程与应用》期刊2009年03期）
协同进化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：
随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后,使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其他算法的对比,验证算法的有效性.
（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。
协同进化粒子群优化算法论文参考文献
[1].杨蕾,梁永全.协同进化策略的粒子群优化算法[J].软件.2019
[2].梁静,刘睿,于坤杰,瞿博阳.求解大规模问题协同进化动态粒子群优化算法[J].软件学报.2018
[3].戴月明,朱达祥,吴定会.核矩阵协同进化的震荡搜索粒子群优化算法[J].重庆邮电大学学报(自然科学版).2016
[4].匡芳君,张思扬,金忠,徐蔚鸿.混沌差分进化粒子群协同优化算法[J].微电子学与计算机.2014
[5].王燕燕,葛洪伟,杨金龙,王娟娟.基于K-均值聚类的协同进化粒子群优化算法[J].计算机工程与应用.2015
[6].刘利娜.基于多种群协同进化粒子群优化算法在入侵检测中的应用[D].哈尔滨理工大学.2014
[7].张洁,裴芳.多策略协同进化粒子群优化算法[J].计算机应用研究.2013
[8].徐冰纯,葛洪伟,王燕燕.基于多种群多模型协同进化的粒子群优化算法[J].计算机工程.2013
[9].牛奔,李丽,楚湘华.新型多群体协同进化粒子群优化算法[J].计算机工程与应用.2009