导读:本文包含了基本粒子群论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子群优化算法,鸟类,生物
基本粒子群论文文献综述
梁望,高媛,刘小利[1]（2016）在《粒子群优化算法基本研究》一文中研究指出粒子群优化算法是对鸟类群体哺食行为的研究,是一种群体智能的演化计算方法。本文对粒子群优化算法进行了基本的研究,给出了算法的基本思想以及算法步骤,并和遗传算法进行相比较,最后总结其应用以及发展。(本文来源于《科技经济导刊》期刊2016年21期）
黄珍,潘颖,曹晓丽[2]（2014）在《粒子群算法的基本理论及其改进研究》一文中研究指出粒子算法是一种随机优化的技术,它的理论来自于两位博士在观察鸟群寻找食物和鱼群们学习行为中。这样的理论,在世界上许多领域都被应用的十分广泛。而在优化的过程之中,粒子群算法很多自己独特的地方。比如它们需要调整的参数不多,结构也不复杂,收敛速度快。文章着重介绍对粒子群算法在不同地方的不同作用,讨论粒子群算法的改进以及未来的粒子算法的发展。(本文来源于《硅谷》期刊2014年05期）
汲万峰,姜礼平,朱建冲,孙钧正[3]（2011）在《基本粒子群算法和遗传算法用于航路规划的比较》一文中研究指出优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度。遗传算法和粒子群算法作为启发式算法和群智能算法,因其良好的搜索性能而在飞行器航路规划中得到了广泛的应用。分析了两种算法各自的特点和相互之间的异同点,并在给定相同的作战环境和威胁空间条件下分别进行了航路规划仿真实验,实验结果表明基本粒子群算法在搜索速度和收敛性上均优于基本遗传算法。(本文来源于《火力与指挥控制》期刊2011年06期）
高丐琴,王飞[4]（2009）在《改进的基本粒子群算法》一文中研究指出本文首先介绍基本粒子群优化(PSO)算法,并针对粒子群算法容易陷入早熟、收敛速度慢等问题,提出了一种改进粒子群算法(IPSO),实现并改善了基本粒子群算法的全局和局部搜索性能的平衡。该算法通过改变现有算法的速度更新公式,调整收敛速度和跳出局部极小。为了验证该新方法的有效性,本文用4个标准检验函数进行实验,结果表明,新算法在稳定性和收敛性上远比现有算法好。(本文来源于《微计算机信息》期刊2009年30期）
刘建华[5]（2009）在《粒子群算法的基本理论及其改进研究》一文中研究指出粒子群算法在仿真生物群体社会活动的基础上,通过模拟群体生物相互协同寻优能力,从而构造出一种新的智能优化算法。但粒子群算法本身来源于生物群体现象,其理论基础并不完备。而且由于其属于随机的近似优化算法,主要应用于连续区域,因此该算法存在早熟收敛和对离散性的问题难以应用的缺点。因此,对粒子群算法的理论分析、算法改进及离散性问题的研究具有重要意义的。本文在前人工作的基础上对标准粒子群算法和离散二进制粒子群算法进行分析、改进,获得以下结果:(1)粒子群算法是一种启发式随机优化算法,每个粒子追逐自身最优粒子和全局最优位置搜索,并且追逐时带有随机因素。粒子群算法在这种随机搜索过程中,粒子最终会收敛于群体最优粒子。本文在增加随机性和粒子最优点更新的条件下,理论上证明了粒子的轨迹收敛于群体最优粒子位置。根据分析的理论结果,进一步说明了算法权重选择的原理。(2)由于粒子轨迹最终收敛于群体最优粒子,本文定义一个粒子间的相似度概念,设计计算群体粒子的多样性的概念公式—聚集度—通过计算群体粒子与群体最优粒子的平均相似度,度量粒子群的多样性程度。根据群体聚集度及其与群体最优粒子相似度,每个粒子随机产生变异,由此,构造了一种对标准PSO算法的改进算法,提高算法的全局搜索能力、避免早熟收敛,有效地提高标准PSO算法的性能。(3)标准PSO算法的权重是平衡算法全局搜索与局部搜索能力的参数,其取值影响算法的性能。标准PSO算法的权重采用从早期偏大到晚期偏小的线性递减方法,但每个粒子的权重大小一样。本文根据粒子与群体最优粒子的相似度,对不同粒子赋予不同权重,使每个粒子的权重不同,并且随着算法迭代而动态变化,这样构造一种权重动态变化的粒子群算法。经仿真实验验证,该方法有效。(4)PSO算法的理论分析构造了一个数学模型,数学模型从数学角度清楚地体现算法本身的数学含义。本文利用此数学模型代替原始PSO算法速度及位置的更新公式,得到一种新的进化算法,并且分析新的进化算法参数的选择。新算法形式能直接体现PSO算法的数学思想。经仿真试验检验,新算法效果不会差于标准PSO算法。本文将新的算法应用于求解单交叉口信号灯的时间优化分配,实验仿真结果表明,本文的算法在静态环境下很有效的。(5)二进制离散PSO算法为求解二进制的离散组合优化问题而构造一种PSO算法。本文从位改变率、速度的期望值及遗传算法模式概念等叁个方面对其进行分析。本文得到:二进制PSO算法不收敛于群体最优粒子,其位值随着迭代运行而越来越随机。因此,二进制PSO算法缺乏局部探测性且具有偏强的全局开拓性。本文对原始二进制PSO算法进行改进,使其产生符合PSO算法思想(跟随群体最优粒子)的形式。将改进的方法应用于求解0/1背包问题。通过实验对比,新改进的二进制PSO算法提高了原始二进制PSO算法的性能。(本文来源于《中南大学》期刊2009-05-01）
丛亮,胡成全,郭宗鹏,姜宇,沙丽华[6]（2008）在《基于模拟退火思想的基本粒子群算法改进》一文中研究指出粒子群算法(PSO)是进化计算领域中一种优化算法,被广泛应用到函数优化、神经网络训练、模式分类和模糊系统控制等领域。基本的粒子群算法容易陷入局部最优,本文引用模拟退火的思想,改进了基本的粒子群算法,使其跳出局部最优。本文提出了两种改进策略,并反复测试两种改进策略和基本粒子群算法以比较它们的优劣,最后经过分析得出结论:两种改进策略的全局搜索性能优于基本粒子群算法。(本文来源于《第二十七届中国控制会议论文集》期刊2008-07-16）
王存睿,段晓东,刘向东,周福才[7]（2004）在《改进的基本粒子群优化算法》一文中研究指出提出一种基本粒子群算法(BPSO)改进方案,将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心点和全局极值点,使得粒子能够获得更多的信息量来调整自身的状态。用3个基准函数对新算法进行了实验,结果表明,新算法在解的收敛性和稳定性等方面优于基本粒子群算法.(本文来源于《计算机工程》期刊2004年21期）
基本粒子群论文开题报告
（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：
粒子算法是一种随机优化的技术,它的理论来自于两位博士在观察鸟群寻找食物和鱼群们学习行为中。这样的理论,在世界上许多领域都被应用的十分广泛。而在优化的过程之中,粒子群算法很多自己独特的地方。比如它们需要调整的参数不多,结构也不复杂,收敛速度快。文章着重介绍对粒子群算法在不同地方的不同作用,讨论粒子群算法的改进以及未来的粒子算法的发展。
（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。
基本粒子群论文参考文献
[1].梁望,高媛,刘小利.粒子群优化算法基本研究[J].科技经济导刊.2016
[2].黄珍,潘颖,曹晓丽.粒子群算法的基本理论及其改进研究[J].硅谷.2014
[3].汲万峰,姜礼平,朱建冲,孙钧正.基本粒子群算法和遗传算法用于航路规划的比较[J].火力与指挥控制.2011
[4].高丐琴,王飞.改进的基本粒子群算法[J].微计算机信息.2009
[5].刘建华.粒子群算法的基本理论及其改进研究[D].中南大学.2009
[6].丛亮,胡成全,郭宗鹏,姜宇,沙丽华.基于模拟退火思想的基本粒子群算法改进[C].第二十七届中国控制会议论文集.2008
[7].王存睿,段晓东,刘向东,周福才.改进的基本粒子群优化算法[J].计算机工程.2004