导读:本文包含了精英自适应论文开题报告文献综述及选题提纲参考文献，主要关键词:群智能,捕鱼算法,精英策略,约束优化
精英自适应论文文献综述
陈建荣,陈建华[1]（2019）在《求解约束优化问题的自适应精英捕鱼算法》一文中研究指出在对捕鱼算法迭代过程进行研究和分析的基础上,针对将该算法用于求解约束优化问题时存在收敛速度慢、求解精度不高等缺点,提出了一种自适应精英捕鱼算法。该算法通过采用自适应撒网半径设置策略和精英个体保留策略来改善和提高算法搜索性能。最后,通过使用叁个经典的工程设计问题实例对算法进行性能测试。实验结果表明,改进算法在收敛速度、求解精度和稳定性方面均有明显提高。因此,使用自适应精英捕鱼算法来求解约束优化问题是有效且可行的。(本文来源于《信息技术》期刊2019年04期）
李荣雨,梁栋,戚桂洪[2]（2018）在《基于自适应反馈机制的精英教学优化算法》一文中研究指出精英教学优化算法(Elitist teaching-learning-based optimization,ETLBO)是一种基于实际班级教学过程的新型优化算法。针对ETLBO算法存在的寻优精度低、稳定性差的问题,提出一种基于自适应反馈机制的精英教学优化算法(Adaptive Feedback ETLBO,AFETLBO)。在学生阶段之后,通过添加自适应反馈机制,将学生分为优等生和差生,且动态调整两者的规模,对差生实行与教师之间的反馈交流,快速向教师靠拢,加强收敛能力;对优等生实行自我学习,进行局部精细搜索。自适应反馈阶段的加入,增加了学习方式,保持了学生的多样性特性,提高全局搜索能力。对6个无约束及5个标准函数的测试结果表明,与其他优化算法相比,AFETLBO算法具有更高的寻优精度和收敛能力。(本文来源于《系统仿真学报》期刊2018年08期）
戴月明,姚凌波,王艳[3]（2017）在《精英学习的多维动态自适应人工鱼群算法》一文中研究指出针对人工鱼群算法存在易陷入局部最优、鲁棒性差以及寻优精度低的问题,提出了精英学习的多维动态自适应人工鱼群算法.传统人工鱼群用欧式距离度量视野、步长,无法体现不同维度上鱼群的搜索进度.提出的算法为每个维度设定独立的视野和步长,从而定义了视野向量、步长矩阵及多维邻域,以此改进了鱼群的4种基本行为,使人工鱼个体能够根据鱼群分布情况自适应调整寻优范围.为了增加鱼群的全局性,降低人工鱼陷入局部最优的可能性,提出了一种人工鱼精英学习策略.仿真实验结果表明,该算法能有效地提高人工鱼群的寻优精度、寻优质量及鲁棒性,且提高了人工鱼群的全局搜索能力.(本文来源于《小型微型计算机系统》期刊2017年12期）
景坤雷,赵小国,张新雨,刘丁[4]（2018）在《具有Levy变异和精英自适应竞争机制的蚁狮优化算法》一文中研究指出针对蚁狮优化算法易陷入局部最优、收敛速度慢的缺点,本文提出一种具有Levy变异和精英自适应竞争机制的蚁狮优化算法。利用服从Levy分布的随机数对种群较差个体进行变异,可改善种群多样性提高算法的全局搜索能力;精英自适应竞争机制使得多个精英并行带领种群寻优,提高了算法的收敛速度,为避免较大计算量,并行竞争的精英个数会随着寻优代数增加而减少。同多个改进算法进行比较,结果表明本文所提算法具有更好的寻优精度和收敛速度。最后将本文改进算法应用于硅单晶热场温度模型的参数辨识,仿真结果说明该算法具有较好的参数辨识能力。(本文来源于《智能系统学报》期刊2018年02期）
汪博文[5]（2017）在《自适应正态扰动的精英粒子群优化算法研究》一文中研究指出粒子群优化算法(PSO)是一种启发式的基于全局的优化算法,是目前最常用的优化技术之一。是基于鸟群、鱼群的原始模型而设计的算法,由多个独立的个体构成群体。粒子群优化算法本身就是一个微型的人工生物系统。粒子群优化算法可以通过粒子间竞争和相互协同,来实现在一些较为复杂的搜索空间中去寻找其全局最优点的功能。它的特点有:容易让人理解、较易实现和全局搜索能力强等。现在已经受到了计算机领域学者的广泛关注,已经成为应用最快的群体智能算法中的一种。所以,PSO算法分析及改进策略研究对于现实社会生产等方面是有着很重要的现实意义。本论文首先叙述了群体智能的研究意义和背景,并说明了其国内外的研究现状。并且阐述了群体智能的特点,并介绍了几种常见的群体智能算法及应用前景。然后,围绕标准PSO算法的原理、参数影响等进行了如下工作:(1)对PSO算法中的惯性权重和学习因子进行了参数方面的改进,构造了余弦函数惯性权重递减策略和线性调整学习因子的参数自适应粒子群算法;(2)对粒子的个体历史的最优位置和群体历史的最优位置采用正态扰动策略,增强群体的多样性,有效地避免了陷入局部最优;(3)在前两步改进工作的基础上,提出了精英粒子群优化算法有效地利用了精英粒子信息,对群体中的个体位置进行更新,有效地提高了收敛速度。在本文的最后,对全文的所做的研究工作进行了总结和概括。并且对今后的工作作出了展望。(本文来源于《华中师范大学》期刊2017-05-01）
周虎,赵辉,周欢,王骁飞[6]（2016）在《自适应精英反向学习共生生物搜索算法》一文中研究指出针对共生生物搜索算法在求解高维复杂问题时存在过早收敛,求解精度不高及后期搜索迟滞等问题,结合自适应思想,利用不同差分扰动项和精英反向学习策略对算法进行改进,得到一种改进的共生生物搜索算法。对14个标准测试函数的仿真实验结果进行分析,相比于原算法和其他叁种目前流行的算法,改进算法在收敛速度和求解精度方面均具有明显的优势,寻优能力更强。(本文来源于《计算机工程与应用》期刊2016年19期）
韩敏,何泳[7]（2016）在《基于高斯混沌变异和精英学习的自适应多目标粒子群算法》一文中研究指出为平衡多目标粒子群的全局和局部搜索能力,提出一种基于高斯混沌变异和精英学习的自适应多目标粒子群算法.首先,提出一种新的种群收敛状态检测方法,自适应调整惯性权重和学习因子的值,以达到探索和开发的最佳平衡.然后,当检测到种群收敛停滞时,采用一种带有高斯函数和混沌特性的变异算子协助种群跳出局部最优,以增强全局搜索能力.最后,外部档案中的精英解相互学习,增强算法的局部搜索能力.在多目标标准测试问题上的仿真结果表明了所提出算法的有效性.(本文来源于《控制与决策》期刊2016年08期）
赵嘉,吕莉,孙辉[8]（2015）在《自适应精英反向学习的粒子群优化算法》一文中研究指出针对标准粒子群优化算法易陷入局部最优、进化后期收敛速度慢和收敛精度低等缺点,提出一种自适应精英反向学习的粒子群优化算法.在迭代过程中,算法判断种群是否陷入局部最优,若陷入局部最优,则随机选择精英粒子的部分维度进行反向学习,且学习的维度空间大小随着进化呈线性递减,以此增强算法在进化前期的探索能力和后期的开发能力.在固定评估次数的情况下,实验对10个常用经典基准测试函数在30维上进行仿真测试,实验结果表明:改进算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于一些知名的改进粒子群优化算法.(本文来源于《小型微型计算机系统》期刊2015年09期）
丁卫平,王建东,管致锦[9]（2014）在《基于量子精英蛙的最小属性自适应合作型协同约简算法》一文中研究指出属性约简是粗糙集理论研究的重要内容之一,现已证明求决策表的最小属性约简是一个典型NP-Hard问题.提出一种基于量子精英蛙的最小属性自适应合作型协同约简算法.该算法首先将进化蛙群编码为多状态量子染色体形式,利用量子精英蛙快速引导进化蛙群进入最优化区域寻优,有效增强进化蛙群的收敛速度和全局搜索能力.然后构建一种自适应合作型协同进化的最小属性约简模型,融合蛙群最优执行经验和分配信任度自适应分割属性约简集,并以模因组内最优精英蛙优化各自选择的属性子集,提高属性约简的协同性和高效性,快速找到全局最小属性约简集.实验研究表明提出的算法在搜索最小属性约简解时具有较高的执行效率和精度.(本文来源于《计算机研究与发展》期刊2014年04期）
江建[10]（2009）在《精英自适应混合遗传算法及其实现》一文中研究指出传统的基本遗传算法在全局搜索和收敛速度上存在不足,而自适应遗传算法可以较好地控制算法的全局搜索能力和收敛速度。提出精英选择算法,将父辈和多个子辈组成"家庭",选择家庭中的优秀个体进入遗传群体。将自适应思想与精英选择算法结合起来提出精英自适应混合遗传算法,保证了样本多样性,同时大大加快了收敛速度,采用一个多峰值函数验证了混合算法的性能。(本文来源于《计算机工程与应用》期刊2009年27期）
精英自适应论文开题报告
（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：
精英教学优化算法(Elitist teaching-learning-based optimization,ETLBO)是一种基于实际班级教学过程的新型优化算法。针对ETLBO算法存在的寻优精度低、稳定性差的问题,提出一种基于自适应反馈机制的精英教学优化算法(Adaptive Feedback ETLBO,AFETLBO)。在学生阶段之后,通过添加自适应反馈机制,将学生分为优等生和差生,且动态调整两者的规模,对差生实行与教师之间的反馈交流,快速向教师靠拢,加强收敛能力;对优等生实行自我学习,进行局部精细搜索。自适应反馈阶段的加入,增加了学习方式,保持了学生的多样性特性,提高全局搜索能力。对6个无约束及5个标准函数的测试结果表明,与其他优化算法相比,AFETLBO算法具有更高的寻优精度和收敛能力。
（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。
精英自适应论文参考文献
[1].陈建荣,陈建华.求解约束优化问题的自适应精英捕鱼算法[J].信息技术.2019
[2].李荣雨,梁栋,戚桂洪.基于自适应反馈机制的精英教学优化算法[J].系统仿真学报.2018
[3].戴月明,姚凌波,王艳.精英学习的多维动态自适应人工鱼群算法[J].小型微型计算机系统.2017
[4].景坤雷,赵小国,张新雨,刘丁.具有Levy变异和精英自适应竞争机制的蚁狮优化算法[J].智能系统学报.2018
[5].汪博文.自适应正态扰动的精英粒子群优化算法研究[D].华中师范大学.2017
[6].周虎,赵辉,周欢,王骁飞.自适应精英反向学习共生生物搜索算法[J].计算机工程与应用.2016
[7].韩敏,何泳.基于高斯混沌变异和精英学习的自适应多目标粒子群算法[J].控制与决策.2016
[8].赵嘉,吕莉,孙辉.自适应精英反向学习的粒子群优化算法[J].小型微型计算机系统.2015
[9].丁卫平,王建东,管致锦.基于量子精英蛙的最小属性自适应合作型协同约简算法[J].计算机研究与发展.2014
[10].江建.精英自适应混合遗传算法及其实现[J].计算机工程与应用.2009