导读:本文包含了反向学习论文开题报告文献综述及选题提纲参考文献,主要关键词:萤火虫算法,k-means算法,精英反向学习,反向学习策略
反向学习论文文献综述
汤文亮,张平,汤树芳[1](2019)在《基于精英反向学习的萤火虫k-means改进算法》一文中研究指出为解决传统k-means聚类算法在聚类精度及中心点选取方面的问题,提出一种基于精英反向学习的萤火虫k-means改进算法。针对k-means算法的弱点,利用萤火虫优化算法具有较强全局搜索能力这一特性,使用精英反向学习策略对萤火虫进行改进,扩大萤火虫的搜索范围并提高收敛速度,对萤火虫的吸引度和步长因子进行改进,提升聚类效率。将改进算法运用到UCI标准数据集进行聚类仿真实验,该算法在寻优精度和收敛速度上有更好的结果,验证了其有效性。(本文来源于《计算机工程与设计》期刊2019年11期)
何杰光,彭志平,崔得龙,李启锐[2](2019)在《一种多反向学习的教与学优化算法》一文中研究指出针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化(MOTLBO)算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明:非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。(本文来源于《工程科学与技术》期刊2019年06期)
吴文海,郭晓峰,周思羽,刘锦涛[3](2019)在《基于广义反向学习的自适应约束差分进化算法》一文中研究指出差分进化算法是一种基于"贪婪竞争"机制的全局寻优算法,其控制参量少、结构简单,具有较高的可靠性和收敛性,将约束处理机制引入到差分进化算法可以高效解决约束优化问题。提出一种基于广义反向学习的自适应约束差分进化算法,利用广义反向学习机制生成初始种群并执行种群"代跳"操作,采用自适应权衡模型将约束区分状态处理以及改进自适应变异操作对个体进行排序变异。通过与CDE、DDE、A-DDE、εDE以及DPDE算法进行试验比较以及对广义反向学习和改进自适应排序操作性能分析证明该算法具有较好的寻优精度及收敛速度。(本文来源于《西北工业大学学报》期刊2019年05期)
何庆,黄闽茗,王旭[4](2019)在《基于精英反向学习的逐维改进蜻蜓算法》一文中研究指出针对蜻蜓算法(DA)寻优精度不高、收敛速度慢及后期搜索活力不足等问题,提出了基于精英反向学习的逐维改进蜻蜓算法(EDDA).首先,利用精英反向学习策略初始化种群,以增强种群多样性,提高搜索效率;其次,利用逐维更新策略对蜻蜓个体进行更新,减少维间干扰,有效提高了算法的寻优能力;最后,充分利用当前解的信息双向搜索,提升了解的搜索活力.通过9个测试函数的实验结果表明,该算法相比较于标准蜻蜓算法,寻优精度更高、收敛速度更快及后期搜索活力更强,与其他改进算法相比也具有一定的竞争优势.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期)
孙辉,邓志诚,赵嘉,王晖,谢海华[5](2019)在《混合均值中心反向学习粒子群优化算法》一文中研究指出为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.(本文来源于《电子学报》期刊2019年09期)
郭旭,贺兴时,高昂[6](2019)在《基于精英反向学习的混沌蝙蝠算法》一文中研究指出针对基本蝙蝠算法存在的后期收敛速度慢、易陷入局部极值、稳定性差等缺点,提出一种基于精英反向学习的混沌蝙蝠算法。该算法引入精英反向学习策略,通过比较精英个体与其的反向解并择优,充分利用优秀个体信息,加快算法收敛速度,同时,在迭代过程中对蝙蝠位置进行混沌扰动,增加种群多样性,有效地提高了算法的搜索能力和搜索精度。数值测试结果表明,新算法有较快收敛速度及较高的寻优精度。(本文来源于《计算机与数字工程》期刊2019年04期)
王敏,陈峰,张磊石[7](2019)在《具有反向学习能力的串车调度算法研究》一文中研究指出为了避免串车问题,研究了多条线路不同站点间隔的车辆实时串车调度算法.基于车辆自动定位(AVL)数据的分析预测,给出了具备反向学习能力的克隆选择优化算法(Opposition-learning Clonal Selection Algorithm, OCSA)求解避免串车的调度序列,指导车辆调度.算法中设计了反向抗体库,反向抗体库存储了种群迭代过程中多个较差抗体的信息,利用较差基因位置信息,指导部分基因链以较快速度进行反向学习,将其迅速牵引出局部最优区域.反向学习过程可迅速改善抗体的多样性,使得算法在短时间内具有较强的全局寻优能力;且局部学习的缩放因子可随迭代过程动态调整,提高了算法的求解精度.实验结果表明,基于OCSA算法获取的调度序列与经典的调度算法相比有较好的适应性,求得的调度序列能够实时有效地降低站点串车问题.(本文来源于《交通运输系统工程与信息》期刊2019年02期)
吴聪聪,贺毅朝,赵建立,李宁[8](2019)在《基于精英反向学习的阶段性变异杂草算法》一文中研究指出提出了基于精英反向学习的阶段性变异杂草算法(Elite opposition-based learning mutil-stage mutated invasive weed optimization,EOMMIWO).该算法将正态分布的标准差初始值和终止值由固定设置转化为根据问题自适应产生;在杂草进化过程中让精英个体反向学习,提高了算法的勘探能力;另外,在算法进化的不同阶段对杂草实施不同变异,增强个体交流,提高算法的开发能力.通过8个经典的Benchmark函数测试,结果表明该算法提高了杂草算法的求解精度和收敛速度,具有很强的鲁棒性.(本文来源于《微电子学与计算机》期刊2019年03期)
王光,金嘉毅[9](2019)在《融合折射原理反向学习的飞蛾扑火算法》一文中研究指出飞蛾扑火算法是一种新型群智能优化算法,目前已经应用于特征选择和图像分割等诸多领域。然而,传统的飞蛾扑火算法后期收敛速度不足且容易陷入局部最优,从而影响了算法的整体性能。为了提高飞蛾扑火算法的优化性能,提出了一种基于折射原理反向学习的飞蛾扑火算法(ROBL-MFO)。该算法首先在飞蛾的更新公式中引入历史最优火焰平均值,使火焰间的信息能够互相交流,提高算法的收敛能力;其次利用随机反向学习策略对解进行反向学习,扩大算法的搜索空间;最后使用折射原理对解进行折射操作,提高种群的多样性,帮助算法跳出局部最优。在六个标准实验函数上得到的实验结果表明,对比其他算法,ROBL-MFO算法拥有更好的收敛速度,且能够有效跳出局部最优。(本文来源于《计算机工程与应用》期刊2019年11期)
丁成,王秋萍,王晓峰[10](2019)在《基于广义反向学习的磷虾群算法及其在数据聚类中的应用》一文中研究指出针对磷虾群(KH)算法在寻优过程中因种群多样性降低而过早收敛的问题,提出基于广义反向学习的磷虾群算法GOBL-KH。首先,通过余弦递减策略确定步长因子平衡算法的探索与开发能力;然后,加入广义反向学习策略对每个磷虾进行广义反向搜索,增强磷虾探索其周围邻域空间的能力。将改进的算法在15个经典测试函数上进行测试并与KH算法、步长线性递减的磷虾群(KHLD)算法和余弦递减步长的磷虾群(KHCD)算法比较,实验结果表明:GOBL-KH算法可有效避免早熟且具有较高的求解精度。为体现算法有效性,将GOBL-KH算法与K均值算法结合提出HK-KH算法用于解决数据聚类问题,即在每次迭代后用最优个体或经过K均值迭代一次后的新个体替换最差个体,使用UCI五个真实数据集进行测试并与K均值、遗传算法(GA)、粒子群优化(PSO)算法、蚁群算法(ACO)、KH算法、磷虾群聚类算法(KHCA)、改进磷虾群(IKH)算法进行比较,结果表明:HK-KH算法适用于解决数据聚类问题且具有较强的全局收敛性和较高的稳定性。(本文来源于《计算机应用》期刊2019年02期)
反向学习论文开题报告
(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:
针对原始教与学优化算法全局搜索和局部搜索协调不足、当前反向学习策略过于单一的问题,将多种反向学习策略同教与学优化算法相结合,提出一种基于多反向学习的教与学优化(MOTLBO)算法。首先,借鉴反向学习的思想,设计一种基于Sigmoid函数且随进化代数逐渐变化的非线性混合反向学习模型,模型综合考虑了问题的搜索边界信息和种群的历史搜索信息;其次,在原始教与学算法教和学两个阶段的基础上,增加了基于搜索边界指导的自学习阶段,增强了种群的多样性;最后,将混合反向学习模型与算法的各阶段相结合,根据各阶段的不同特征,设计了基于均值个体、随机个体和最优个体的反向解计算方法,充分吸收种群的历史搜索经验,提高算法的收敛精度和速度。采用具有不同特征的Benchmark测试函数对算法的非线性混合反向学习模型和收敛性能进行测试,实验结果表明:非线性混合反向学习模型相对于单一的边界信息反向学习或种群信息反向学习,具有更强的全局搜索和局部探测能力;而与原始教与学优化算法及其改进算法相比,MOTLBO算法在获得较高的收敛精度和稳定性的同时保持了更快的收敛速度,其综合性能得到较大提升。此外,对扩频雷达相位编码求解的实验结果进一步表明,MOTLBO算法能有效避免陷入局部最优,亦适用于求解实际的工程优化问题。
(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。
反向学习论文参考文献
[1].汤文亮,张平,汤树芳.基于精英反向学习的萤火虫k-means改进算法[J].计算机工程与设计.2019
[2].何杰光,彭志平,崔得龙,李启锐.一种多反向学习的教与学优化算法[J].工程科学与技术.2019
[3].吴文海,郭晓峰,周思羽,刘锦涛.基于广义反向学习的自适应约束差分进化算法[J].西北工业大学学报.2019
[4].何庆,黄闽茗,王旭.基于精英反向学习的逐维改进蜻蜓算法[J].南京师大学报(自然科学版).2019
[5].孙辉,邓志诚,赵嘉,王晖,谢海华.混合均值中心反向学习粒子群优化算法[J].电子学报.2019
[6].郭旭,贺兴时,高昂.基于精英反向学习的混沌蝙蝠算法[J].计算机与数字工程.2019
[7].王敏,陈峰,张磊石.具有反向学习能力的串车调度算法研究[J].交通运输系统工程与信息.2019
[8].吴聪聪,贺毅朝,赵建立,李宁.基于精英反向学习的阶段性变异杂草算法[J].微电子学与计算机.2019
[9].王光,金嘉毅.融合折射原理反向学习的飞蛾扑火算法[J].计算机工程与应用.2019
[10].丁成,王秋萍,王晓峰.基于广义反向学习的磷虾群算法及其在数据聚类中的应用[J].计算机应用.2019