导读:本文包含了动态调整惯性权重论文开题报告文献综述及选题提纲参考文献，主要关键词:粒子群优化,均值,余弦函数,贝塔分布
动态调整惯性权重论文文献综述
黄洋,鲁海燕,许凯波,沈莞蔷[1]（2018）在《一种动态调整惯性权重的简化均值粒子群优化算法》一文中研究指出提出了一种动态调整惯性权重的简化均值粒子群优化算法(DSMPSO).该算法在简化粒子群优化算法的基础上,利用个体最优位置和全局最优位置的线性组合取代算法个体最优位置和全局最优位置,以加快算法的收敛速度以及寻优精度;此外,构造了一种基于余弦函数的惯性权重,并加入服从贝塔分布的随机调整策略,以实现对惯性权重的动态调整,从而更好地平衡算法的全局和局部搜索能力,并增加种群的多样性.仿真实验结果表明,与其他一些改进算法相比,本文的新算法具有更快的收敛速度和更高的寻优精度.(本文来源于《小型微型计算机系统》期刊2018年12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）
董红斌,李冬锦,张小平[3]（2018）在《一种动态调整惯性权重的粒子群优化算法》一文中研究指出针对粒子收敛速度慢、搜索精度不高和算法性能在很大程度上依赖于参数的选取等缺点,提出了一种非线性指数惯性权重粒子群优化算法(Exponential Inertia Weight in Particle Swarm Optimization,EIW-PSO)。在每次迭代的过程中,采用粒子最大适应值和最小适应值的指数函数来动态调整算法中的惯性权重,更有利于算法在寻优过程中跳出局部最优;同时,引入随机因子以确保种群的多样性,使粒子更快地收敛到全局最优位置。为了验证该算法的寻优性能,通过8个基准测试函数将标准PSO、线性递减惯性权重LDIW-PSO、均值自适应惯性权重MAW-PSO在不同维度和种群规模下进行测试比较。实验结果表明,提出的EIW-PSO算法具有更快的收敛速度和更高的求解精度。(本文来源于《计算机科学》期刊2018年02期）
赵乃刚[4]（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[5]（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）
罗金炎[6]（2013）在《粒子群优化算法惯性权重的一种动态调整策略》一文中研究指出为了有效地调整粒子群优化算法的全局开拓和局部搜索能力,提出一种基于Logistic模型动态调整惯性权重的粒子群优化算法.该算法在初期保持较大的惯性权重,使其具有较大的全局开拓能力,在进化后期保持较小的惯性权重,有利于局部搜索,加速算法的收敛.通过标准测试函数的仿真实验表明:该调整策略优于线性递减的调整策略,且对于优化多峰值函数具有一定的优越性.(本文来源于《沈阳化工大学学报》期刊2013年04期）
龙文,梁昔明,董淑华,阎纲[7]（2009）在《动态调整惯性权重的粒子群优化算法》一文中研究指出针对高维复杂优化问题,提出一种改进适应度函数和动态调整惯性权重的粒子群优化算法。首先考虑了搜索点的函数值及其变化率,并将该信息加入适应度函数。利用维惯性权重矩阵自适应动态调整惯性权重,较好地平衡了算法的全局探索和局部开发,并分析了惯性权重随种群多样性的变化关系。在算法后期计算每一维的收敛度,以一定的概率对收敛度最小的维进行变异,以加快算法的收敛速度。对高维测试函数的实验表明,算法提高了全局搜索能力。(本文来源于《计算机应用》期刊2009年08期）
冯婷,陆雪松,阳维,张素[8]（2009）在《改进收敛条件的动态调整惯性权重PSO算法》一文中研究指出在医学图像配准中需要解决互信息图像配准过程中局部极值问题,引入了一种动态调整惯性权的自适应粒子群算法;验证了其中两个重要参数的取值,并均匀赋值粒子初始位置,避免随机产生的初始位置集中在某一区域而使寻优陷入局部极值,同时加入进化速度因子作为搜索中止条件,加快了搜索速度。实验表明,该算法既能找到全局最优又能快速收敛。(本文来源于《计算机工程与应用》期刊2009年03期）
郭鲁彦[9]（2008）在《非线性动态调整惯性权重的粒子群算法》一文中研究指出粒子群算法(PSO)是由J Kennedy和R C Eberhart于1995年提出的一种仿生演化算法,是一种智能优化算法.该算法因其概念简单、参数较少、易于实现等特点,受到研究者的高度重视,被广泛应用于许多领域.基本粒子群算法的突出优点是早期收敛速度特别快,缺点是局部搜索能力差,使得算法后期收敛速度缓慢,求解精度降低.另外,不同问题的局部与全局搜索能力的比例关系是不同的.Shi Y提出的带有惯性权重的粒子群算法,在某种程度上解决了局部搜索能力弱的问题.该算法提高了求解精度.目前,设置惯性权重的方法有多种,被广泛应用的是Shi Y和R C Eberhart提出的线性递减惯性权重(LDW).但是,带线性递减惯性权重的粒子群算法(LDWPSO)也有不足：一,算法的收敛速度低.这是因为它的惯性权重值与粒子无关,从而导致粒子搜索过程的智能性降低；二,需要预测最大迭代次数.但实际上在求解一个问题时,最大迭代次数往往是难预测的,它既影响算法的惯性权重值,又影响算法的适应性.本文提出一种非线性动态调整惯性权重的粒子群算法(NDWPSO),这种非线性动态调整使惯性权重与粒子有关,它依粒子的适应值的变化自动地调整其大小,从而使得粒子搜索过程的智能性增加,算法的收敛速度因此有很大的提高.此外,该算法也不需要预测最大迭代次数,适应性强.本文对粒子群算法的四个典型函数进行了仿真实验,测试结果表明,NDWPSO算法效果很好,搜索结果精度很高,特别是其收敛速度较被广泛应用的LDWPSO算法有很大的提高.(本文来源于《东北大学》期刊2008-05-01）
刘建华,樊晓平,瞿志华[10]（2007）在《一种惯性权重动态调整的新型粒子群算法》一文中研究指出在简要介绍基本PSO算法的基础上,提出了一种根据不同粒子距离全局最优点的距离对基本PSO算法的惯性权重进行动态调整的新型粒子群算法(DPSO),并对新算法进行了描述。以典型优化问题的实例仿真验证了DPSO算法的有效性。(本文来源于《计算机工程与应用》期刊2007年07期）
动态调整惯性权重论文开题报告
（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。
动态调整惯性权重论文参考文献
[1].黄洋,鲁海燕,许凯波,沈莞蔷.一种动态调整惯性权重的简化均值粒子群优化算法[J].小型微型计算机系统.2018
[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].董红斌,李冬锦,张小平.一种动态调整惯性权重的粒子群优化算法[J].计算机科学.2018
[4].赵乃刚.惯性权重动态调整的混沌粒子群算法[J].软件.2016
[5].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
[6].罗金炎.粒子群优化算法惯性权重的一种动态调整策略[J].沈阳化工大学学报.2013
[7].龙文,梁昔明,董淑华,阎纲.动态调整惯性权重的粒子群优化算法[J].计算机应用.2009
[8].冯婷,陆雪松,阳维,张素.改进收敛条件的动态调整惯性权重PSO算法[J].计算机工程与应用.2009
[9].郭鲁彦.非线性动态调整惯性权重的粒子群算法[D].东北大学.2008
[10].刘建华,樊晓平,瞿志华.一种惯性权重动态调整的新型粒子群算法[J].计算机工程与应用.2007