导读:本文包含了动态惯性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:基本粒子群算法,动态惯性权重粒子群算法,仿真分析,神经网络
动态惯性粒子群算法论文文献综述
李亮[1]（2019）在《动态惯性权重粒子群算法研究与实现》一文中研究指出为提高基本粒子群优化算法(PSO)的收敛性能,并达到一定收敛率和精度,提出了动态惯性权重粒子群算法(DCWPSO),给出了改进算法在采用固定控制参数取值时,参数的最佳取值范围,并应用测试函数进行仿真研究。和以往文献中多种改进的PSO算法进行比较,仿真分析表明:动态惯性权重粒子群算法(DCWPSO)加快了收敛速度,提高了解的精度,这种改进的粒子群优化算法在解决实际优化问题中很有潜力,并通过神经网络仿真研究,深入研究分析了原始算法PSO和DCWPSO算法在优化不同结构网络中控制的作用。(本文来源于《信息化研究》期刊2019年05期）
顾明亮,李旻[2]（2018）在《基于动态调整惯性权重的混合粒子群算法》一文中研究指出标准粒子群算法(Particle Swarm Optimization,PSO)在求解高维非线性问题时容易陷入局部最优解,针对此种情况,提出一种基于Sigmod函数的新的非线性自适应权值调整策略。此外,选用拉丁超立方体抽样的方法产生均匀的初始种群,采用小生境淘汰策略增强算法全局寻优能力。最后选用6个标准测试函数对该改进算法进行性能测试。结果表明,改进的粒子群算法在收敛速度和收敛精度以及全局最优解的获取方面均取得了满意的效果。(本文来源于《计算机与现代化》期刊2018年06期）
杜江,袁中华,王景芹[3]（2018）在《动态改变惯性权重的新模式粒子群算法》一文中研究指出针对标准粒子群算法在求解复杂优化问题时易陷入局部最优、收敛精度不高和收敛成功率低的不足,提出了一种改进的粒子群算法.通过算法所处的迭代阶段和粒子的分布情况动态改变惯性权重的值,并根据每个粒子的更新情况调整其飞行的起点.最后4个测试函数仿真结果表明,在求解复杂优化问题时,改进后算法的收敛精度和收敛成功率均有明显提高.(本文来源于《安徽大学学报(自然科学版)》期刊2018年02期）
高金兰,雷星雨,朱佳丽[4]（2018）在《动态改变惯性权重的伪梯度搜索粒子群算法在无功优化中的应用》一文中研究指出提出一种动态改变惯性权重的反向学习伪梯度搜索粒子群算法,并将之应用于电力系统无功优化。该算法针对线性递减的惯性权重难以指导复杂非线性优化问题的缺陷,引入聚焦距离变化率和位置权重的概念,以此来衡量粒子的分布情况,并建立以它们为控制变量的动态惯性权重。该算法采用动态变化的惯性权重,并利用基于反向学习的伪梯度搜索法指导粒子向全局最优解靠拢。将该算法应用IEEE 30节点进行仿真测试,结果证明了该算法用于无功优化的可行性和有效性。(本文来源于《化工自动化及仪表》期刊2018年01期）
皮倩瑛,叶洪涛[5]（2016）在《一种动态调节惯性权重的粒子群算法》一文中研究指出针对使用经典线性递减策略来确定惯性权重的粒子群优化算法在运算过程中与粒子寻优的非线性变化特点不匹配的问题,提出一种动态调节惯性权重的粒子群算法.该算法对惯性权重引入随机因子并基于粒子适应度大小来动态调节惯性权重,更好地引导粒子进行搜索,平衡了算法的全局搜索与局部搜索能力,提高了算法的收敛精度.为了验证该算法的寻优性能,通过8个经典测试函数将标准粒子群算法、惯性权重递减的粒子群算法及动态调节惯性权重的粒子群算法在不同维度下进行测试比较.结果表明:提出的动态调节惯性权重的粒子群算法在寻优精度和成功率方面都有所提升,算法性能更具优越性.(本文来源于《广西科技大学学报》期刊2016年03期）
赵乃刚[6]（2016）在《惯性权重动态调整的混沌粒子群算法》一文中研究指出鉴于标准粒子群算法(PSO)有易陷入局部最优位置和全局搜索能力差等缺点,给出了相似度的定义,并根据群体中每个粒子与全局最优粒子的相似度值的大小,动态非线性地更新每个粒子的惯性权重值。为了改善算法的全局搜索性能,将混沌算子引入粒子群算法中。新算法在4个测试函数上与标准粒子群算法进行了比较,结果表明新算法的性能更好。(本文来源于《软件》期刊2016年03期）
徐生兵[7]（2014）在《基于动态调整惯性权重下改进学习因子的粒子群算法》一文中研究指出粒子群算法针对高维复杂函数常存在早熟收敛问题,本文提出一种在已有动态调整惯性权重的基础上对学习因子进行改进的粒子群算法,使学习因子随着搜索的不同阶段改变认知学习因子和社会学习因子。比较五个标准测试函数的实验结果,表明改进后的算法得到的结果更优。(本文来源于《信息安全与技术》期刊2014年04期）
张锐,商聪,李永振[8]（2013）在《基于动态改变惯性权自适应粒子群算法的电厂负荷分配研究》一文中研究指出机组负荷分配问题具有不连续、非凸、非线性的目标函数,同时还受负荷和约束条件的限制,传统的负荷分配算法很难求解此类问题。本文提出了一种动态改变惯性权自适应粒子群算法(DCWPSO),通过添加进化速度因子和粒子的聚集度对粒子群算法中惯性权值公式进行改进,改进后的算法能更好地将总负荷分配给各台机组,防止算法早熟收敛,提高算法的寻优速度。通过算例的计算,并与基本粒子群算法相比较结果证明该算法的有效性,提高了解的寻优能力和收敛速度。(本文来源于《制造业自动化》期刊2013年17期）
王照生[9]（2013）在《基于惯性因子动态化的一种改进型粒子群算法》一文中研究指出由于PSO算法采用了随机集群的理念,与其他智能算法类似,会出现"早熟"或收敛速度慢的问题。全面学习粒子群算法(CLPSO)是模拟鸟群的随机搜索行为的一种应用于连续空间的群体智能优化算法,其主旨是对每个粒子的历史最优值一种概率的形式出现进行更新。受全面学习粒子群算法启发,结合基于惯性因子的PSO改进算法,对惯性因子动态化,得到一种改进型粒子群算法。改进算法可以较好地拓展粒子的学习对象和搜索范围,避免"早熟"现象;能够较好地跳出求解聚类中心过程中易陷入某一局部的极小值的情况,从而得到全局最优解。(本文来源于《学园》期刊2013年15期）
尹专,刘天琪,江东林[10]（2012）在《基于动态惯性权重粒子群算法的配电网状态估计》一文中研究指出配电网单条馈线节点少、支路少,常采用加权最小二乘法对配电网各条馈线分别进行状态估计。但由于牛顿法对初值要求高,易发散,为此采用动态惯性权重粒子群算法对配电网进行状态估计。该算法能自动调节搜索步长,加快收敛速度,弥补了基本PSO算法易陷入局部最优、算法不稳等不足。4节点算例证明该算法可稳定快速收敛,即使初值偏离真值较远也能有效、快速收敛;IEEE 33节点算例证明了该算法运用于配电网状态估计时收敛速度快、精度高。(本文来源于《四川电力技术》期刊2012年06期）
动态惯性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：
标准粒子群算法(Particle Swarm Optimization,PSO)在求解高维非线性问题时容易陷入局部最优解,针对此种情况,提出一种基于Sigmod函数的新的非线性自适应权值调整策略。此外,选用拉丁超立方体抽样的方法产生均匀的初始种群,采用小生境淘汰策略增强算法全局寻优能力。最后选用6个标准测试函数对该改进算法进行性能测试。结果表明,改进的粒子群算法在收敛速度和收敛精度以及全局最优解的获取方面均取得了满意的效果。
（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。
动态惯性粒子群算法论文参考文献
[1].李亮.动态惯性权重粒子群算法研究与实现[J].信息化研究.2019
[2].顾明亮,李旻.基于动态调整惯性权重的混合粒子群算法[J].计算机与现代化.2018
[3].杜江,袁中华,王景芹.动态改变惯性权重的新模式粒子群算法[J].安徽大学学报(自然科学版).2018
[4].高金兰,雷星雨,朱佳丽.动态改变惯性权重的伪梯度搜索粒子群算法在无功优化中的应用[J].化工自动化及仪表.2018
[5].皮倩瑛,叶洪涛.一种动态调节惯性权重的粒子群算法[J].广西科技大学学报.2016
[6].赵乃刚.惯性权重动态调整的混沌粒子群算法[J].软件.2016
[7].徐生兵.基于动态调整惯性权重下改进学习因子的粒子群算法[J].信息安全与技术.2014
[8].张锐,商聪,李永振.基于动态改变惯性权自适应粒子群算法的电厂负荷分配研究[J].制造业自动化.2013
[9].王照生.基于惯性因子动态化的一种改进型粒子群算法[J].学园.2013
[10].尹专,刘天琪,江东林.基于动态惯性权重粒子群算法的配电网状态估计[J].四川电力技术.2012
标签：基本粒子群算法; 动态惯性权重粒子群算法; 仿真分析; 神经网络;