导读:本文包含了复合粒子群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:微电网,能量管理,复合粒子群算法,多目标优化
复合粒子群算法论文文献综述
徐科,吴鸣,霍现旭,李国栋,项添春[1]（2018）在《基于复合粒子群算法的微电网能量管理策略》一文中研究指出微网中的部分分布式能源的功率输出具备一定的随机和性间歇性,很大程度上影响了系统的供电稳定性和可靠性,因此,有效的对微网系统进行能量管理显得至关重要。以往的研究中,多采用优化算法在解决能量管理等问题,但其存在着陷入局部最优解等问题,为有效的解决上述问题,文中引入一种复合粒子群优化算法,综合考虑了微网运行过程的经济性、环保特性以及运行可靠性等要求,建立了微电网能量管理多目标优化数学模型,优化目标是运行成本及环境治理的费用最小。在满足功率平衡、分布式电源输出功率等约束条件下,对模型进行了求解,同时,预测系统内负荷需求的变化情况来确定微网的能量管理策略。通过仿真算例的分析验证改进算法的有效性。(本文来源于《电测与仪表》期刊2018年10期）
鲍琨[2]（2013）在《复合粒子群算法及其应用研究》一文中研究指出摘要：全局优化问题广泛存在于科学、工程和商业等各种领域,可以被简单地描述为一个D维最小化问题。不幸的是,由于实际应用问题的复杂性,许多优化问题都不能被传统的解析法所有效地解决,因而产生了许多数值算法诸如进化算法去解决它们。但是这类进化算法所面临的最大挑战是它们容易陷入目标函数的局部最优中,这种现象尤其在处理高维问题或者复杂的多峰问题中愈加多见。粒子群算法就是这类数值算法之一,该算法在很多优化问题中都有着比较好的效果。但是它同时也存在着很多缺陷,比如当解决复杂问题时,原始粒子群算法很容易因为种群多样性的提早丧失而陷入局部最优中。针对这样的早熟收敛问题,诞生了许多优秀的PSO算法变种。这些变种算法都擅长解决复杂问题,可是它们的收敛速度却相对较低。为了从解的质量和收敛速度两方面提高原始粒子群算法的性能,本文提出了一种复合粒子群算法(composite particle swarm optimization, CPSO),该算法使用了一个“新的学习策略复合辅助搜索机制”的结构,新的学习策略被称为组合学习策略(combination learnin strategy),该策略将粒子的个体历史最优信息和全局最优信息组合为一个学习向量去指引粒子运动,能够保留原始的搜索信息并且加快算法的收敛速度。辅助搜索机制属于一种全局搜索方法,可以大大改变粒子的搜索方向从而使算法能够有较大机会获得全局最优解。为了使辅助搜索机制更加有效率并使整个算法更加稳定,辅助搜索机制的执行概率是由每次迭代后适应度值的改善程度动态调节的。随后本文将复合粒子群算法应用于函数优化问题和车辆路径问题(vehicle routing problem, VRP)之中。在解决函数优化问题方面,采用了22个基准函数(benchmark function)对算法的性能进行了测试。在解决车辆路径问题方面,使用了不带时间窗的车辆路径问题和带时间窗的车辆路径问题对算法的性能进行了评估。这两类问题的实验均证明了复合粒子群算法的高效性。(本文来源于《中南大学》期刊2013-05-01）
刘黎黎,汪定伟[3]（2011）在《复合粒子群算法及其在动态环境中的应用》一文中研究指出针对粒子群算法在求解动态优化问题时存在多样性缺失和搜索效率低的问题,模拟物理学中复合粒子的构成机理,提出了复合粒子群优化算法.通过对复合粒子进行构造、自调整、整体迁移等操作,使粒子充分结合其它粒子在进化中有价值的信息,并提出异速度映射机制,使粒子以较快的速度跟踪最优点的变化轨迹,保持群体多样性的同时兼顾了寻优速度.算法应用于两种动态测试函数中,取得了满意的结果.(本文来源于《系统工程学报》期刊2011年02期）
曹春红,张斌,李文辉[4]（2007）在《基于复合粒子群算法的几何约束求解技术研究》一文中研究指出在将几何约束问题的约束方程组转化为优化模型的时候,需要找到一种方法来跳出局部最优解,进而找到全局最优解。为了兼顾算法的快速性和全局性,几何约束求解时,考虑使用复合粒子群算法。这种粒子群算法是一种基于群智能方法的演化计算技术,不仅在所有的进化算法中都包括控制其自身特性的启发式参数,而且这些参数通常是与特定的问题相关,并可由用户自己定义。虽然合适的参数选择需要用户丰富的经验和对研究问题所提供信息的正确判断,更重要的是,这些启发式参数会影响到算法的收敛特性,但是即便是很有经验的用户也可能选择不恰当的参数,从而使问题得不到有效地解决,这就越来越需要对这些参数进行研究。为此可将将粒子群算法中的控制参数的选取作为一个优化问题,以便用常规遗传算法来控制粒子群算法中的启发式参数,即形成了复合粒子群优化算法,通过把复合粒子群算法成功地应用到几何约束求解技术的实验表明,该方法可以在很短的时间内找到最优解。(本文来源于《中国图象图形学报》期刊2007年04期）
复合粒子群算法论文开题报告
（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：
摘要：全局优化问题广泛存在于科学、工程和商业等各种领域,可以被简单地描述为一个D维最小化问题。不幸的是,由于实际应用问题的复杂性,许多优化问题都不能被传统的解析法所有效地解决,因而产生了许多数值算法诸如进化算法去解决它们。但是这类进化算法所面临的最大挑战是它们容易陷入目标函数的局部最优中,这种现象尤其在处理高维问题或者复杂的多峰问题中愈加多见。粒子群算法就是这类数值算法之一,该算法在很多优化问题中都有着比较好的效果。但是它同时也存在着很多缺陷,比如当解决复杂问题时,原始粒子群算法很容易因为种群多样性的提早丧失而陷入局部最优中。针对这样的早熟收敛问题,诞生了许多优秀的PSO算法变种。这些变种算法都擅长解决复杂问题,可是它们的收敛速度却相对较低。为了从解的质量和收敛速度两方面提高原始粒子群算法的性能,本文提出了一种复合粒子群算法(composite particle swarm optimization, CPSO),该算法使用了一个“新的学习策略复合辅助搜索机制”的结构,新的学习策略被称为组合学习策略(combination learnin strategy),该策略将粒子的个体历史最优信息和全局最优信息组合为一个学习向量去指引粒子运动,能够保留原始的搜索信息并且加快算法的收敛速度。辅助搜索机制属于一种全局搜索方法,可以大大改变粒子的搜索方向从而使算法能够有较大机会获得全局最优解。为了使辅助搜索机制更加有效率并使整个算法更加稳定,辅助搜索机制的执行概率是由每次迭代后适应度值的改善程度动态调节的。随后本文将复合粒子群算法应用于函数优化问题和车辆路径问题(vehicle routing problem, VRP)之中。在解决函数优化问题方面,采用了22个基准函数(benchmark function)对算法的性能进行了测试。在解决车辆路径问题方面,使用了不带时间窗的车辆路径问题和带时间窗的车辆路径问题对算法的性能进行了评估。这两类问题的实验均证明了复合粒子群算法的高效性。
（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。
复合粒子群算法论文参考文献
[1].徐科,吴鸣,霍现旭,李国栋,项添春.基于复合粒子群算法的微电网能量管理策略[J].电测与仪表.2018
[2].鲍琨.复合粒子群算法及其应用研究[D].中南大学.2013
[3].刘黎黎,汪定伟.复合粒子群算法及其在动态环境中的应用[J].系统工程学报.2011
[4].曹春红,张斌,李文辉.基于复合粒子群算法的几何约束求解技术研究[J].中国图象图形学报.2007