导读:本文包含了自适应变异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:二进制粒子群优化算法,非线性惯性权重,变异算子
自适应变异粒子群优化算法论文文献综述
王越,邱飞岳,郭海东[1]（2019）在《一种带变异算子的自适应惯性权重二进制粒子群优化算法》一文中研究指出针对离散二进制粒子群优化算法在寻优过程中收敛速度慢、搜索精度不高和易陷入局部最优的问题,本文提出一种带变异算子的自适应惯性权重二进制粒子群优化算法(MABPSO).首先,采用非线性递增策略优化惯性权重,平衡二进制粒子群算法的全局探索与局部探索性能;其次,引入对未知空间搜索的变异算子,改进速度更新公式,使粒子的寻优范围扩大,增强算法多样性,有效避免陷入局部最优解.通过在六个基准测试函数上进行测试所得到的实验结果表明,本文对二进制粒子群优化算法所做的优化相比于其它叁种算法,具有较好的逃离局部最优解的能力,提高了算法的收敛性能.(本文来源于《小型微型计算机系统》期刊2019年04期）
徐公国,段修生,单甘霖,童俊[2]（2018）在《基于多目标局部变异-自适应量子粒子群优化算法的复杂地形多传感器优化部署》一文中研究指出对复杂地形下的多传感器部署问题进行研究,提出了基于多目标局部变异-自适应量子粒子群优化(LM-AQPSO)算法的多传感器多目标优化部署方法。该方法对复杂地形进行多属性网格建模,给出了传感器探测模型和优化目标。引进局部变异和参数自适应策略对量子粒子群优化算法进行改进,并提出了基于LM-AQPSO的多目标Pareto最优解集优化算法。考虑多目标部署需求,构建了基于Pareto最优解集的多传感器优化部署模型。仿真实验结果表明:相对于经典的改进非支配排序遗传算法,所提算法优化的Pareto最优解有着更好的收敛性和分布性,且寻优时间更短;所提模型能有效解决多目标多传感器部署问题,并能同时提供更多的决策方案。(本文来源于《兵工学报》期刊2018年11期）
康岚兰,董文永,宋婉娟,李康顺[3]（2017）在《无惯性自适应精英变异反向粒子群优化算法》一文中研究指出为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足,提出一种无惯性的自适应精英变异反向粒子群优化算法(NOPSO)。NOPSO算法在反向学习方法的基础上,广泛获取环境信息,提出一种无惯性的速度(NIV)更新式来引导粒子飞行轨迹,从而有效加快算法的收敛过程。同时,为避免早熟现象的发生,引入了自适应精英变异策略(AEM),该策略在扩大种群搜索范围的同时,帮助粒子跳出局部最优。NIV与AEM这2种机制的结合,有效增加了种群多样性,平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明,与主流反向粒子群优化算法相比,NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。(本文来源于《通信学报》期刊2017年08期）
管军,周家胜,易文俊,刘世平,常思江[4]（2017）在《基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识》一文中研究指出将最大似然准则应用于高速旋转弹丸的气动参数辨识问题中,提出一种新的自适应混沌变异粒子群算法求解该准则下的气动参数最优解,进而得到弹丸的气动参数。该算法通过自适应调整惯性权重、利用混沌优化的思想产生初始粒子、设定早熟判别机制来判断是否陷入局部最优解,并通过粒子变异的策略使其跳出局部最优解等方法进一步优化基本粒子群算法。通过常用的测试函数对该算法进行了测试,测试结果表明:相比于基本粒子群算法,该算法具有收敛速度快、寻优精度高、应用范围广等优点。利用系统仿真的方法模拟弹丸的自由飞行数据,并利用该数据结合所提算法对弹丸的主要气动参数进行辨识,辨识结果表明:该算法可以有效辨识弹丸的气动参数,且精度高,收敛速度快,可以应用于工程实际问题。(本文来源于《兵工学报》期刊2017年01期）
黄松,田娜,纪志成[5]（2016）在《一种新的自适应变异粒子群优化算法在PMSM参数辨识中的应用》一文中研究指出高精度辨识永磁同步电机参数是进行控制器设计的基础。本文借鉴遗传算法中变异操作的思想,提出了一种基于自适应变异概率的混合变异粒子群优化算法,并将其应用于永磁同步电机参数辨识问题。本文首先在dq坐标系下建立永磁同步电机参数辨识模型,然后将该算法和几种变异粒子群算法用于永磁同步电机参数辨识,并在Matlab/Simulink中进行了对比验证。实验结果表明,该算法能提高定子电阻、d轴电感、q轴电感和转子磁链等参数的辨识精度,为提高永磁同步电机电机控制器性能提供了保证。(本文来源于《电工电能新技术》期刊2016年06期）
关学忠,皇甫旭,李欣,佟宇,聂品磊[6]（2016）在《基于正态云模型的自适应变异量子粒子群优化算法》一文中研究指出为提高量子粒子群算法的寻优能力,文中提出一种新的正态云模型自适应变异量子粒子群算法。该方法采用正态云模型优化策略,引入自身最差粒子和全局最差粒子,结合自身最优粒子和全局最优粒子自适应调整势阱中心位置与收缩-扩张系数,每次迭代后生成的新粒子,以一定概率采用正态云模型对粒子进行变异操作。最后标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较同类算法有大幅度提高。(本文来源于《电子设计工程》期刊2016年08期）
黄松,田娜,纪志成[7]（2016）在《基于自适应变异概率粒子群优化算法的研究》一文中研究指出变异操作是解决粒子群算法早熟的一种有效方法。针对迭代过程中种群多样性变化的特点,提出了一种自适应变异概率的混合变异粒子群优化算法。通过聚集度动态地调节每代粒子的变异概率,并用这种变异概率对全局最优位置进行高斯和柯西混合变异和对最差个体最优位置进行自适应小波变异。通过在matlab中和其他几种变异的粒子群优化算法进行比较验证,结果证明该算法具有较高的收敛精度和较好的算法性能。(本文来源于《系统仿真学报》期刊2016年04期）
冯浩,李现伟[8]（2015）在《带自适应变异的粒子群优化算法改进研究》一文中研究指出针对函数优化的非线性特点,在标准粒子群优化算法的基础上,提出了一种带自适应变异的粒子群优化算法.该算法对惯性权值进行参数设计,建立非线性递减策略曲线模型,通过设置校准系数,改变惯性权值的曲线变化率,使其随迭代过程进行自适应变化.通过在迭代初期选取较大的惯性权值,增强算法的局部寻优能力,加快算法收敛速度,而在迭代后期选取较小的惯性权值,提升算法的全局搜索性能.同时,在算法中引入变异机制,增加种群的多样性,从而更好地提升算法由局部到全局的开放式搜索能力.通过选择基准测试函数对几种算法进行性能测试,证明改进算法收敛速度快、精度高,总体性能优于对比算法.(本文来源于《洛阳师范学院学报》期刊2015年11期）
康岚兰,董文永,田降森[9]（2015）在《一种自适应柯西变异的反向学习粒子群优化算法》一文中研究指出针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。(本文来源于《计算机科学》期刊2015年10期）
陈海彬,郭建文,孙振忠,王松,张智聪[10]（2015）在《基于自适应变异粒子群优化算法的产品装配序列规划》一文中研究指出为提高产品虚拟装配序列规划水平,提出了面向装配序列规划的自适应变异粒子群优化算法。算法针对产品装配序列规划离散性的特点,在基本粒子群算法的基础上,对粒子位置、速度与粒子速度和位置更新操作进行了重定义,通过引入遗传算法中的变异算子来提高算法跳出局部最优的能力,同时改变惯性权重的取值方式以加快算法的收敛速度。以一柱塞泵的装配规划实例来分析该算法的性能,验证了自适应变异粒子群优化算法的可行性;与遗传算法和粒子群算法的比较证明自适应变异粒子群优化算法更有效。(本文来源于《组合机床与自动化加工技术》期刊2015年07期）
自适应变异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：
对复杂地形下的多传感器部署问题进行研究,提出了基于多目标局部变异-自适应量子粒子群优化(LM-AQPSO)算法的多传感器多目标优化部署方法。该方法对复杂地形进行多属性网格建模,给出了传感器探测模型和优化目标。引进局部变异和参数自适应策略对量子粒子群优化算法进行改进,并提出了基于LM-AQPSO的多目标Pareto最优解集优化算法。考虑多目标部署需求,构建了基于Pareto最优解集的多传感器优化部署模型。仿真实验结果表明:相对于经典的改进非支配排序遗传算法,所提算法优化的Pareto最优解有着更好的收敛性和分布性,且寻优时间更短;所提模型能有效解决多目标多传感器部署问题,并能同时提供更多的决策方案。
（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。
自适应变异粒子群优化算法论文参考文献
[1].王越,邱飞岳,郭海东.一种带变异算子的自适应惯性权重二进制粒子群优化算法[J].小型微型计算机系统.2019
[2].徐公国,段修生,单甘霖,童俊.基于多目标局部变异-自适应量子粒子群优化算法的复杂地形多传感器优化部署[J].兵工学报.2018
[3].康岚兰,董文永,宋婉娟,李康顺.无惯性自适应精英变异反向粒子群优化算法[J].通信学报.2017
[4].管军,周家胜,易文俊,刘世平,常思江.基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识[J].兵工学报.2017
[5].黄松,田娜,纪志成.一种新的自适应变异粒子群优化算法在PMSM参数辨识中的应用[J].电工电能新技术.2016
[6].关学忠,皇甫旭,李欣,佟宇,聂品磊.基于正态云模型的自适应变异量子粒子群优化算法[J].电子设计工程.2016
[7].黄松,田娜,纪志成.基于自适应变异概率粒子群优化算法的研究[J].系统仿真学报.2016
[8].冯浩,李现伟.带自适应变异的粒子群优化算法改进研究[J].洛阳师范学院学报.2015
[9].康岚兰,董文永,田降森.一种自适应柯西变异的反向学习粒子群优化算法[J].计算机科学.2015
[10].陈海彬,郭建文,孙振忠,王松,张智聪.基于自适应变异粒子群优化算法的产品装配序列规划[J].组合机床与自动化加工技术.2015
标签：二进制粒子群优化算法; 非线性惯性权重; 变异算子;