导读:本文包含了混合粒子群遗传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:测试性模型,测试配置,二进制粒子群算法,遗传算法
混合粒子群遗传算法论文文献综述
秦玉峰,史贤俊,郭家豪[1]（2018）在《基于混合离散二进制粒子群-遗传算法的测试配置方法研究》一文中研究指出针对目前测试性建模工作中尚无具体方法指导测试配置这一问题,通过对系统内故障传播关系进行分析,提出了一种混合离散二进制粒子群-遗传算法用于求解测试配置的最优方案,使系统的测试性模型在满足规定测试性指标下使用的测试数量最少;将系统测试配置方案进行二进制粒子编码,并在粒子群算法中引入遗传算子,使混合算法具有较快的搜索速度的同时避免陷入局部最优;最后通过实例计算与仿真,证明所提出算法计算结果正确且对于指导复杂系统测试性建模工作具有实际应用价值。(本文来源于《计算机测量与控制》期刊2018年12期）
毋雪雁[2]（2018）在《基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统》一文中研究指出随着现代先进科技的不断发展,医学技术以及医疗方式的不断进步,将传统医学技术与现代科学技术相融合已经成为当今时代发展的重要任务之一。本文首先明确了实验的背景与研究意义,之后对于脑部核磁共振图像在国内外的研究和发展现状做出了简要的分析与介绍。本文研究了一种智能病脑检测系统(Smart Pathological Brain Detection,SPBD),主要研究的是计算机辅助诊断(Computer Aided Diagnosis,CAD)系统中的医学图像处理技术,论文的主要目的是将医学图像做出较为准确的分类,将有病与健康的大脑图像很好的区分开来。本文利用图像特征提取及分类优化的思想对于脑部核磁共振图像做了分类研究,并取得以下研究成果:1.采用数据增强的方法对于健康脑图像进行旋转变换,以增强健康脑图像的数量并且解决了样本数据不平衡的问题,以便于之后实验能够更好地提取样本特征。将数据增强之后的脑部核磁共振图像用小波熵进行特征提取,将特征数量从65536个降低到了 7个值,作为之后分类实验里面使用的W-kNN分类器输入数据集当中最重要的组成部分。2.采用加权K最近邻算法(Weighted k-Nearest Neighbor,W-kNN)作为本文实验的分类算法,W-kNN以样本特征的重要性为依据来分配权重,自动学习出合适的权重来给不同特征赋予不同的重要性;权重的引入能够进一步提高kNN分类算法的分类性能,在分类的准确性和稳定性方面都比kNN分类算法更胜一筹。3.提出遗传算法与粒子群优化算法混合优化算法,取长补短地将两种算法相结合,将GA的交叉和变异思想引入标准PSO算法,以避免PSO算法得到的解过早收敛导致陷入局部最优解。算法得到的七个最优解作为样本特征的权重,与样本特征相乘得到加权kNN算法的输入数据。之后使用叁折交叉验证的方法对数据进行训练,以保证数据集的分类效果。最后用分类准确率作为标准对实验的好坏进行判断。实验比较发现,本文的基于遗传算法与粒子群算法混合优化加权K最近邻算法(WE-W-kNN-GA_PSO)分类效果最佳,对于实验数据集当中的数据进行了测试,分类准确率达到了 96.97%。在今后,我将会为SPBD的研究做出更大努力。(本文来源于《南京师范大学》期刊2018-03-27）
阳琼芳,孙如祥[3]（2015）在《粒子群与遗传算法的混合算法》一文中研究指出针对粒子群算法直接用于求解离散旅行商优化问题会存在诸多困难,通过分析粒子群算法、遗传算法各自优缺点,将粒子群算法、遗传算法有效结合组成混合算法用于求解离散旅行商问题.混合的目的在于保持两种算法各自的优点,并有效地避免各算法原有的不足.对3个不同规模的巡回旅行商问题进行实验,结果表明:混合算法提升了算法的局部搜索能力.(本文来源于《华侨大学学报(自然科学版)》期刊2015年06期）
孙如祥[4]（2014）在《粒子群与遗传算法的混合研究》一文中研究指出粒子群算法的应用领域跟遗传算法有很多的交集,比如模式识别、机器控制、电子通信等等。粒子群算法简单、易用、局部搜索效率高,但由于粒子群算法本身的原因,其全局搜索能力在后期通常比较一般,因此比较容易陷入局部最优。粒子群算法适合实值型的数据处理,不擅长离散型的数据处理,一般的粒子群算法着作都是通过连续型数据的处理介绍其原理。与粒子群算法相比,遗传算法无疑要更为复杂一些,遗传算法跟许多其他的智能算法相比,其局部搜索效率比较低,收敛到较高精度的可行解用的时间相对比较长,但它的全局搜索能力很好。本文将粒子群算法、遗传算法有效结合组成混合算法,旨在保持各算法原有优点的同时,有效地避免各算法原有的不足。本文通过对函数优化问题、巡回旅行商的解决以验证本文算法的有效性。主要的工作有：(1)要使混合算法保持原算法的优点,又能避免原算法的不足,本文采取的策略是让粒子群算法与遗传算法操作不同的对象,再辅以改进的小生境择优保留策略。粒子群算法方面采用动态自适应惯性权重以及异步变化的学习因子以改进基本粒子群算法的不足。遗传算法这边则是对交叉算子以及变异算子进行修改,使算法能自动的调整全局搜索、局部搜索的强度与精度。通过几个经典函数进行测试以验证混合算法是否比单个的粒子群算法或者遗传算法更加优秀,通过与其他算法的对比证明本文算法的有效性。(2)要使用本文的混合算法求解巡回旅行商问题,需要对粒子群算法部分进行修改,本文主要是通过引入二元交叉操作解决这一难题,二元交叉操作在操作上类似于遗传算法的交叉算子,同时又有粒子群算法学习因子的操作特征。为了进一步加快混合算法的收敛速度,提高算法的收敛精度,引入关于城市距离远近关系的启发因子,论文最后通过3个算例的实验测试证明启发因子能够很好地改善混合算法的收敛能力,特别是对于城市数目多的旅行商问题,这种差异愈加明显。(本文来源于《广西大学》期刊2014-12-01）
金敏,鲁华祥[5]（2013）在《一种遗传算法与粒子群优化的多子群分层混合算法》一文中研究指出针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点,本文从种群个体组织结构上着手,进行优势互补,提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization,HGA–PSO).算法采用分层结构,底层由一系列的遗传算法子群组成,贡献算法的全局搜索能力;上层是由每个子群的最优个体组成的精英群,采用钳制了初始速度的粒子群算法进行精确局部搜索.文中分析论证了HGA–PSO算法具有全局收敛性,并采用7个典型高维Benchmark函数进行测试,实验结果显示该算法的优化性能显着优于其他测试算法.(本文来源于《控制理论与应用》期刊2013年10期）
吴玫[6]（2013）在《遗传算法与粒子群算法的混合策略》一文中研究指出基于对粒子群优化算法原理的分析,本文讨论了一种带交叉操作的混合粒子群遗传算法以及在此基础上加入了灾变操作的混合粒子群遗传算法。通过叁个不同类型的基准函数实例的计算,混合算法比标准粒子群算法的性能更好。(本文来源于《科技经济市场》期刊2013年09期）
范柳斌,李路,陈妮娜,胡昱,张子厚[7]（2011）在《基于改进的粒子群和遗传算法的混合优化算法》一文中研究指出分析粒子群算法在求解组合优化问题中的运行原理,对警车分布的优化问题建立了粒子群优化的数学模型,对基本粒子群优化算法中的速度范围、惯性权重等参数进行了改进,并通过仿真与基本粒子群算法比较,显示改进的粒子群算法,提高了优化结果.在改进的粒子群算法中引入遗传算法,将形成的新混合算法应用到求解警车最优执勤地点的分布问题,并与遗传算法和改进的粒子群算法仿真比较.结果表明,混合优化算法在收敛速度和精度上均有明显的提高.(本文来源于《上海工程技术大学学报》期刊2011年03期）
雷阳,李树荣,张强,张晓东[8]（2010）在《基于骨干粒子群的混合遗传算法及其应用》一文中研究指出采用骨干粒子群的位置更新操作改进遗传算法的变异算子,提出一种新的混合遗传算法。利用叁个benchmark函数测试了新的混合遗传算法的性能,并将测试结果与标准遗传算法进行比较。利用该方法,对聚合物驱最优控制问题的进行了仿真求解,结果表明该方法优于标准遗传算法。(本文来源于《计算机工程与应用》期刊2010年36期）
陈希祥,邱静,刘冠军[9]（2009）在《基于混合二进制粒子群-遗传算法的测试优化选择研究》一文中研究指出测试优化选择是一个组合优化问题。通过对测试选择的目标和约束条件进行深入分析,建立了其数学模型,并提出了一种混合粒子群-遗传算法用于求解满足测试性指标要求的最小完备测试集。该算法将遗传算法中的遗传算子引入到二进制粒子群算法中,既避免陷入局部最优和早熟收敛现象,又提高了搜索效率。大量实验证明,对于测试优化选择问题,混合粒子群-遗传算法能够快速有效的获得全局最优解。(本文来源于《仪器仪表学报》期刊2009年08期）
史济全,黄民翔[10]（2008）在《基于混合粒子群智能遗传算法的配电网络重构优化研究》一文中研究指出将二进制粒子群优化算法的惯性因子进行了动态化自适应改进,设计了区别于标准遗传操作的高频交叉算子和随机自回馈变异算子,基于此提出了一种新算法——混合粒子群智能遗传算法(PGA)应用与配网的重构。在新型编码方案下,PGA应用两个遗传算子使种群保持多样性,避免陷入局部最优,同时结合PSO的快速群体智能寻优指导染色体的进化方向,能够使种群信息共享的同时提高算法的收敛速度,算例结果验证了新算法的可行性。(本文来源于《华东电力》期刊2008年03期）
混合粒子群遗传算法论文开题报告
（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：
随着现代先进科技的不断发展,医学技术以及医疗方式的不断进步,将传统医学技术与现代科学技术相融合已经成为当今时代发展的重要任务之一。本文首先明确了实验的背景与研究意义,之后对于脑部核磁共振图像在国内外的研究和发展现状做出了简要的分析与介绍。本文研究了一种智能病脑检测系统(Smart Pathological Brain Detection,SPBD),主要研究的是计算机辅助诊断(Computer Aided Diagnosis,CAD)系统中的医学图像处理技术,论文的主要目的是将医学图像做出较为准确的分类,将有病与健康的大脑图像很好的区分开来。本文利用图像特征提取及分类优化的思想对于脑部核磁共振图像做了分类研究,并取得以下研究成果:1.采用数据增强的方法对于健康脑图像进行旋转变换,以增强健康脑图像的数量并且解决了样本数据不平衡的问题,以便于之后实验能够更好地提取样本特征。将数据增强之后的脑部核磁共振图像用小波熵进行特征提取,将特征数量从65536个降低到了 7个值,作为之后分类实验里面使用的W-kNN分类器输入数据集当中最重要的组成部分。2.采用加权K最近邻算法(Weighted k-Nearest Neighbor,W-kNN)作为本文实验的分类算法,W-kNN以样本特征的重要性为依据来分配权重,自动学习出合适的权重来给不同特征赋予不同的重要性;权重的引入能够进一步提高kNN分类算法的分类性能,在分类的准确性和稳定性方面都比kNN分类算法更胜一筹。3.提出遗传算法与粒子群优化算法混合优化算法,取长补短地将两种算法相结合,将GA的交叉和变异思想引入标准PSO算法,以避免PSO算法得到的解过早收敛导致陷入局部最优解。算法得到的七个最优解作为样本特征的权重,与样本特征相乘得到加权kNN算法的输入数据。之后使用叁折交叉验证的方法对数据进行训练,以保证数据集的分类效果。最后用分类准确率作为标准对实验的好坏进行判断。实验比较发现,本文的基于遗传算法与粒子群算法混合优化加权K最近邻算法(WE-W-kNN-GA_PSO)分类效果最佳,对于实验数据集当中的数据进行了测试,分类准确率达到了 96.97%。在今后,我将会为SPBD的研究做出更大努力。
（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。
混合粒子群遗传算法论文参考文献
[1].秦玉峰,史贤俊,郭家豪.基于混合离散二进制粒子群-遗传算法的测试配置方法研究[J].计算机测量与控制.2018
[2].毋雪雁.基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统[D].南京师范大学.2018
[3].阳琼芳,孙如祥.粒子群与遗传算法的混合算法[J].华侨大学学报(自然科学版).2015
[4].孙如祥.粒子群与遗传算法的混合研究[D].广西大学.2014
[5].金敏,鲁华祥.一种遗传算法与粒子群优化的多子群分层混合算法[J].控制理论与应用.2013
[6].吴玫.遗传算法与粒子群算法的混合策略[J].科技经济市场.2013
[7].范柳斌,李路,陈妮娜,胡昱,张子厚.基于改进的粒子群和遗传算法的混合优化算法[J].上海工程技术大学学报.2011
[8].雷阳,李树荣,张强,张晓东.基于骨干粒子群的混合遗传算法及其应用[J].计算机工程与应用.2010
[9].陈希祥,邱静,刘冠军.基于混合二进制粒子群-遗传算法的测试优化选择研究[J].仪器仪表学报.2009
[10].史济全,黄民翔.基于混合粒子群智能遗传算法的配电网络重构优化研究[J].华东电力.2008