导读:本文包含了协同微粒群优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:流数据,协同微粒群,聚类,预估
协同微粒群优化论文文献综述
张勇,夏长红,巩敦卫,荣淼[1]（2016）在《基于多种群协同微粒群优化的流数据聚类算法》一文中研究指出针对流数据的实时、有序和维数高等特点,提出一种基于多种群协同微粒群优化的流数据聚类算法.该算法利用变量分而治之的思想,多个种群协同优化多个类中心,进而求出问题完整的类中心集合.给出一种类中心变化趋势的预估策略,以快速追踪环境变化.为防止多个子微粒群同时优化一个类中心,提出一种相似子微粒群的合并策略.最后将所提出的算法用于多个数据集,实验结果验证了算法的有效性.(本文来源于《控制与决策》期刊2016年10期）
彭虎,黄伟,邓长寿[2]（2012）在《多子群协同进化的多目标微粒群优化算法》一文中研究指出微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。(本文来源于《计算机应用》期刊2012年02期）
陶新民,徐晶,杨立标,刘玉[3]（2009）在《改进的多种群协同进化微粒群优化算法》一文中研究指出提出一种改进的基于多种群协同进化的微粒群优化算法(PSO).该算法首先利用免疫算法实现解空间的均匀划分,增加了算法稳定性和全局搜索能力.在运行过程中,通过种群进化信息生成解优胜区域,指导变异生成的微粒群向最优解子空间逼近,提高算法逃出局部最优的能力.将此算法与PSO算法和多种群协同进化微粒群算法进行比较,数据实验证明,该算法不仅能有效地克服其他算法易陷入局部极小值的缺点,而且全局收敛能力和稳定性均有显着提高.(本文来源于《控制与决策》期刊2009年09期）
张亚妮[4]（2009）在《多种群协同进化的微粒群优化算法及其在橡胶硫化车间生产调度中的应用》一文中研究指出车间生产调度是企业管理的关键和核心技术,其主要任务是合理分配现有的人力和物力资源,以满足经济上或性能上的目标。本文对橡胶硫化车间的调度问题进行了系统研究,对实际问题进行分析、建模,并提出算法对其进行优化。其目的是从理论和实践寻找解决制造业生产调度实际问题的有效途径,为有关技术的进一步完善、发展和开发提供一定的理论基础和实践方法。本文的主要工作归纳如下:(1)介绍了生产调度问题的分类、研究现状和优化调度问题的主要目标;分析了调度问题的特点及研究生产调度问题的理论。在此基础上,分析橡胶硫化车间的生产特点,建立了有组批和无组批两种情况下的调度模型。在建立有组批情况下的模型时,提出一种基于订单划分计算组批数量的方法,这种方法在编码、解码以及算法优化过程中更容易实现。(2)在全面总结研究原始微粒群算法的基础上,提出一种基于多种群协同进化策略的离散微粒群优化算法(简称CDPSO算法)。该算法在编码上采用离散化基于任务的整数编码思想,引入部分匹配交叉策略和步长可变的逆序变异策略,并设计了捕食者种群、被捕食者种群和获利者种群之间的协同进化关系。(3)依据硫化车间的生产实际,建立了静态和动态调度模型,设计模型的编码、解码方式和非法粒子的判断算法;用CDPSO算法进行静态和动态调度优化,并与GA、PSO和IPSO算法进行仿真比较,结果证实,CDPSO算法比其它算法的调度效果更好。(4)研究了多目标优化问题,建立基于最短完工时间,最少换模成本和最小机器空闲率为优化目标的调度模型,用CDPSO算法进行调度优化,结果证实,CDPSO算法在优化多目标静态调度问题时是十分有效的。(本文来源于《青岛科技大学》期刊2009-06-13）
都延丽,吴庆宪,姜长生,周丽[5]（2008）在《改进协同微粒群优化的模糊神经网络控制系统设计》一文中研究指出针对协同微粒群算法不能保证收敛到局部或全局最优值的问题,提出一种改进协同微粒群算法(ICPSO),并证明了该算法能以概率1收敛于全局最优解.应用ICPSO建立一类非线性对象的神经网络辨识模型,并对系统的模糊神经网络自适应控制器的参数进行了离线和在线优化.仿真结果表明,ICPSO能提高系统的建模精度,增强模型的泛化能力,而且由ICPSO训练的控制器可以达到良好的控制效果.(本文来源于《控制与决策》期刊2008年12期）
都延丽,吴庆宪,姜长生,周丽[6]（2008）在《协同随机微粒群优化的神经网络预测建模》一文中研究指出针对一类难以精确建立数学模型的非线性控制系统,提出了协同随机微粒群优化CSPSO的神经网络预测建模方法。CSPSO在协同微粒群算法CPSO执行之后引入随机微粒群优化SPSO的思想,促使CPSO摆脱了伪最小值现象,并且保证其以概率1收敛于全局最优值。通过采集对象输入/输出数据,将CSPSO应用到模型权值的离线训练中,并给出了实现的具体步骤。结果表明在实验的几种算法中,CSPSO训练的神经网络模型精度较高且算法学习的稳定性较佳。(本文来源于《系统工程与电子技术》期刊2008年08期）
劳玲英,胡小兵[7]（2007）在《基于粒子空间扩展的协同微粒群优化算法》一文中研究指出针对协同微粒群优化存在的停滞现象,提出了一种新的基于粒子空间扩展的协同微粒群优化算法。该算法通过引入粒子半径来确定粒子间是否发生相互碰撞,如果两个粒子一旦发生碰撞,则按预先设定的位置更新公式跳出原来的位置,从而避免陷入停滞状态。对叁个典型函数的测试结果表明,新算法不仅能够有效地克服了停滞现象,而且显着提高了搜索更优解的能力和鲁棒性。(本文来源于《计算机工程与应用》期刊2007年30期）
刘弘,王静莲[8]（2006）在《微粒群优化算法在协同建筑设计中的应用》一文中研究指出介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。(本文来源于《通信学报》期刊2006年11期）
协同微粒群优化论文开题报告
（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：
微粒群优化(PSO)算法是一种非常有竞争力的求解多目标优化问题的群智能算法,因其容易陷入局部极值,导致非劣解集的收敛性和正确性不理想。为此提出一种基于多目标分解进化策略的多子群协同进化的多目标微粒群优化算法(MOPSO_MC),算法中每个子群对应于一个多目标分解之后的子问题,并构造了一种新的速率更新策略,每个粒子跟踪自身历史最优值、子群最优值和子群邻域最优值,从而在增强算法的局部寻优能力的同时,也能从邻域子群获得进化信息,实现协同进化。最后通过仿真实验,与现在主流的多目标微粒群算法在ZDT基准测试函数上比较,验证了算法的收敛性,解分布的均匀性和正确性。
（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。
协同微粒群优化论文参考文献
[1].张勇,夏长红,巩敦卫,荣淼.基于多种群协同微粒群优化的流数据聚类算法[J].控制与决策.2016
[2].彭虎,黄伟,邓长寿.多子群协同进化的多目标微粒群优化算法[J].计算机应用.2012
[3].陶新民,徐晶,杨立标,刘玉.改进的多种群协同进化微粒群优化算法[J].控制与决策.2009
[4].张亚妮.多种群协同进化的微粒群优化算法及其在橡胶硫化车间生产调度中的应用[D].青岛科技大学.2009
[5].都延丽,吴庆宪,姜长生,周丽.改进协同微粒群优化的模糊神经网络控制系统设计[J].控制与决策.2008
[6].都延丽,吴庆宪,姜长生,周丽.协同随机微粒群优化的神经网络预测建模[J].系统工程与电子技术.2008
[7].劳玲英,胡小兵.基于粒子空间扩展的协同微粒群优化算法[J].计算机工程与应用.2007
[8].刘弘,王静莲.微粒群优化算法在协同建筑设计中的应用[J].通信学报.2006