导读:本文包含了粒子多样性论文开题报告文献综述及选题提纲参考文献，主要关键词:多目标粒子群优化算法,种群规模,自适应调整方法,动态调整
粒子多样性论文文献综述
韩红桂,武淑君[1]（2018）在《基于收敛速度和多样性的多目标粒子群种群规模优化设计》一文中研究指出针对多目标粒子群优化算法种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的多目标粒子群优化(Convergence speed and Diversity-based Multi-Objective Particle Swarm Optimization,CD-MOPSO)算法.首先,利用优化过程的收敛速度和多样性指标构造种群规模适应度函数,完成了种群规模与优化性能关系的描述;其次,基于适应度函数设计了一种种群规模自适应调整方法,实现了种群规模的动态调整;最后,将提出的CD-MOPSO在基准优化问题ZDT上测试并应用于城市管网优化,实验结果显示CD-MOPSO能够根据求解问题自动调整种群规模,与NSGA-II、MOPSO、SPEA2和EMDS-MOPSO相比具有更快的收敛速度和更好的优化结果(本文来源于《电子学报》期刊2018年09期）
李浩君,张广,王万良[2]（2018）在《一种惯性权重与种群多样性协同调整的二进制粒子群优化算法》一文中研究指出针对二进制粒子群算法惯性权重和种群多样性不能随粒子群进化状态变化而动态协同调整,易造成后期收敛性较差陷入局部最优的缺点,提出一种惯性权重与种群多样性协同调整的二进制粒子群算法(CBPSO),首先使用混沌函数初始化种群,其次根据每个粒子与最优粒子之间海明距离均值与当前迭代状态共同调整权重值,再次根据海明距离均值动态调整种群多样性,最后根据调整后的种群多样性在下次迭代中计算新的海明距离均值及对应的惯性权重值.通过对常用的基准函数进行不同维度下的仿真实验,实验结果证明:在相同迭代次数等条件下,该算法具有较强的动态搜索能力和种群多样性调整能力,比同类算法具有更好的准确率和鲁棒性.(本文来源于《小型微型计算机系统》期刊2018年03期）
韩红桂,卢薇,乔俊飞[3]（2018）在《一种基于多样性信息和收敛度的多目标粒子群优化算法》一文中研究指出为了提高多目标粒子群算法优化解的多样性和收敛性,提出了一种基于多样性信息和收敛度的多目标粒子群优化算法(Multiobjective Particle Swarm Optimization based on the Diversity Information and Convergence Degree,dicd MOPSO).首先,利用非支配解多样性信息评估知识库中最优解的分布状态,设计出一种全局最优解选择机制,平衡了种群的进化过程,提高了非支配解的多样性和收敛性;其次,基于种群多样性信息设计出一种飞行参数调整机制,增强了粒子的全局探索能力和局部开发能力,获得了多样性和收敛性较好的种群.最后,将dicd MOPSO应用于标准测试函数测试,实验结果表明,dicd MOPSO与其他多目标算法相比不仅获得了多样性较高的可行解,而且能够较快的收敛到Pareto前沿.(本文来源于《电子学报》期刊2018年02期）
韩红桂,卢薇,乔俊飞[4]（2017）在《一种基于种群多样性的粒子群优化算法设计及应用》一文中研究指出针对粒子群优化算法早熟收敛及搜索精度较低的问题,提出一种基于种群多样性的改进型粒子群优化算法(PDPSO).首先,利用种群多样性描述粒子的分布状态,获得了进化过程中粒子飞行的非线性特征;其次,基于粒子的种群多样性设计了自适应惯性权重调整策略,实现了粒子全局探索能力及局部开发能力的平衡;最后,利用标准测试函数检验PDPSO算法性能,并将PDPSO算法应用于污水处理过程能耗模型优化,实验结果表明:与标准粒子群及其他改进粒子群算法相比,PDPSO算法具有较高的搜索精度,并有效地避免粒子陷入局部最优;同时,PDPSO算法能够实现污水处理过程的优化,保证污水出水水质的前提下,降低了污水处理过程的运行能耗.(本文来源于《信息与控制》期刊2017年06期）
韩红桂,武淑君,乔俊飞[5]（2017）在《一种基于收敛速度和多样性的自组织多目标粒子群优化算法》一文中研究指出针对多目标粒子群优化算法中种群规模难以确定的问题,文中提出了一种基于收敛速度和多样性的自组织多目标粒子群优化算法。首先,基于多样性指标(Spacing,SP)和收敛性指标(generation distance,GD),提出了一种多目标粒子群种群规模判断机制;其次,设计了一种种群规模自组织方法,实现了多目标粒子群种群规模的自调整。最后,将提出的自组织多目标粒子群优化算法应用于基准测试函数,实验结果表明该自组织多目标粒子群优化算法能够根据优化目标自适应调整种群规模,减少寻优时间;与其它算法的比较结果显示,自组织多目标粒子群优化算法不但能够确保解的质量,而且收敛速度较快。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
陈佳瑜,李梁,罗云[6]（2018）在《采用多样性选择的量子粒子群双向聚类算法》一文中研究指出双向聚类已成为分析基因表达数据的一种重要工具,可以同时从基因和条件两个方向寻找具有相同表达波动的簇。但双向聚类是一种多目标优化的局部搜索算法,处理繁杂的基因数据时容易陷入局部最优。为提高算法的全局搜索能力,提出了一种多样性选择的量子粒子群双向聚类算法(Diversify-Optional QPSO,DOQPSO)。算法首先采用DOQPSO处理基因数据,然后用改进的FLOC算法进行贪心迭代寻找双向聚类,以求得更为理想的结果。算法通过实验仿真,并与FLOC算法和QPSO算法进行比较,结果证明DOQPSO双向聚类算法具有更好的全局寻优能力,且聚类效果更佳。(本文来源于《计算机工程与应用》期刊2018年09期）
陈哲[7]（2017）在《基于多样性策略的动态多目标粒子群优化算法研究及应用》一文中研究指出动态多目标优化问题在现实中普遍存在,研究求解此类问题的优化算法,对推动该领域的发展有重要研究与现实意义。目前,虽然粒子群优化算法因其在优化实际问题时的精度高、收敛快等优势,被广泛应用于静态优化问题中。但当其被拓展至动态多目标问题求解时,一方面,算法快速收敛的优点满足了动态多目标优化问题对收敛速度的迫切需求;另一方面,目标间的冲突性、问题的变化性以及粒子群早熟问题,迫使算法提高种群多样性和环境适应能力,以此提高对动态变化最优解集的刻画能力和追踪能力,而现有策略存在侧重单一性能、只分析目标空间、缺乏对环境变化程度的量化能力等缺陷,这都给动态多目标粒子群优化算法设计带来了新的挑战。基于上述事实,本文针对问题对解集分布性和环境适应能力的需求,设计了一种基于群体分布信息的新型多样性策略,并针对动态问题特点,设计了新的自适应动态环境响应策略,最终提出一种基于多样性策略的动态多目标粒子群优化算法,并将其应用于动态电力系统优化问题求解中。具体工作如下:1.提出一种基于群体分布信息的新型多样性策略。首先借助统计方法划分进化状态;其次依据进化状态分别设计多样性引入策略、多样性控制策略;最终形成基于群体分布信息的多样性策略。实验证明提出的多样性策略在避免算法陷入局部最优以及提高整体解集分布性上均有显着的优势。2.提出一种新的基于多样性策略的动态多目标粒子群优化算法。在基于群体分布信息的多样性策略基础上,针对动态多目标问题中最优解集动态变化的特点,设计基于评价指标的环境变化监测策略和自适应动态环境响应策略,提出一种基于多样性策略的动态多目标粒子群优化算法(dMOPSO)。实验结果表明dMOPSO相比对比算法具有明显统计意义上的性能优势。3.将新算法应用于实际问题求解。为进一步验证算法求解实际动态问题时的有效性,在动态电力系统优化问题上对算法进行仿真实验,通过对比进一步验证了本文提出算法在求解实际动态问题时的求解性能。(本文来源于《南京信息工程大学》期刊2017-06-01）
韩红桂,卢薇,乔俊飞[8]（2016）在《基于种群多样性的粒子群优化算法设计及应用》一文中研究指出针对粒子群优化算法早熟收敛及搜索精度较低的问题,提出一种基于种群多样性的改进型粒子群优化算法(PDPSO)。首先,利用种群多样性信息描述粒子的聚散程度,获得了进化过程粒子飞行过程的非线性特征;其次,基于粒子的多样性信息设计了自适应惯性权重调整策略,实现了粒子全局探索能力及局部开发能力的平衡;最后,利用标准测试函数检验PDPSO算法性能,并将PDPSO算法应用于污水处理过程能耗优化,实验结果表明:与标准粒子群及其他改进粒子群算法相比,PDPSO算法能够具有较高的搜索精度,并有效的避免粒子陷入局部最优;同时,PDPSO算法能够实现污水处理过程的优化,保证污水出水水质的前提下,降低了污水处理过程的运行能耗。(本文来源于《第27届中国过程控制会议（CPCC2016）摘要集》期刊2016-07-31）
吴昊,孙晓燕,郭玉堂,刘路路,沈晶[9]（2016）在《保持粒子多样性的非退化粒子滤波方法研究》一文中研究指出针对现有粒子滤波算法中的粒子退化问题以及重采样所引起的粒子多样性减弱问题,将自适应遗传算法与粒子滤波结合设计一种新的非退化粒子滤波算法.该算法通过对粒子使用遗传算子操作以保证粒子的多样性和有效性,根据粒子在前一时刻计算出来的先验信息自适应地实时调节当前时刻的遗传操作概率,有效增加了粒子对系统状态变化的适应性.实验结果表明,该算法可有效提高非线性系统状态的估计精度,尤其在系统状态发生突变的时候,可以得到较好的估计精度.(本文来源于《电子学报》期刊2016年07期）
刘昊[10]（2015）在《多样性增强的粒子群优化算法及其应用研究》一文中研究指出智能优化算法为求解一类不连续、不可微的优化问题提供了有效的解决途径。粒子群优化算法(Particle Swarm Optimization, PSO)具有原理和实现简单、需调控的参数少及令人满意的收敛性能而成为智能优化领域的研究热点。虽然PSO算法在很多领域已得到成功应用,但与其他进化算法类似,PSO算法也存在早熟及收敛速度慢等缺点,究求原因是由于种群多样性快速丧失造成。本文在深入研究PSO算法的基础上,从增强种群多样性来提高算法的收敛性能入手,提出了若干改进的PSO算法,并通过在大量非线性的无约束优化问题上的仿真实验验证了所提出的各种改进算法的收敛性能。本论文主要包括以下研究工作：第一章主要介绍了传统优化方法的不足、常见的群体智能优化算法、PSO算法的国内外研究现状以及本论文的主要研究工作。第二章通过模拟天体的分裂现象,对搜索过程中满足分裂条件的粒子,通过相应的分裂算子来执行分裂策略。所提出的不同分裂算子分别用于PSO算法及骨架PSO(Bare-bones PSO, BPSO)算法。本章对提出的各种分裂策略进行了对比,并通过对比执行分裂策略前后粒子的分布和种群多样性的变化情况来说明分裂操作能增强种群的多样性,从而有利于调节种群全局探索能力和局部开采能力的平衡。仿真实验和统计分析验证了改进的PSO算法(DPSO及DBPSO)能提高收敛速度和收敛精度。第叁章,我们一改反向学习(Oppositon-Based Learning, OBL)仅用于种群初始化或改善种群质量的传统方法,提出将OBL应用于自身历史最优Pbest而不是种群X。这种策略一方面为全局最优Gbest提供了潜在的更新机会,有利于提高解的收敛精度；另一方面,也重组了Pbest与X的对应关系,有利于重新引导粒子的飞行方向。同时,我们还在粒子的进化方程中集成了“反叛学习项”,并通过引入随机学习因子减少了算法中的调控参数。这些措施不仅通过改变粒子的飞行方向来增强种群多样性,还减少了待优化问题对参数的依赖性。仿真实验和统计分析证实了改进的PSO算法(PSO-OBL和BPSO-OBL)能在较小的计算开销下找到更好的解,且待优化问题的维数对其影响更小。第四章,受人类学习行为的启发,在PSO算法中引入了向差等粒子学习(Gworst)的策略,通过一服从标准正态分布的学习因子的取值(+、0、-)来模拟受不良行为的影响情况(促进学习、不受影响、惩罚学习)。同时,我们用两个和为1的随机学习因子替代了PSO中的加速因子c1和c2。这些措施在减少算法参数的同时改变了粒子的飞行方向,从而能有效地减少待优化问题对参数的依赖性,并且增强了种群的多样性。仿真实验和统计分析验证了改进的PSO算法(HPSO)在不增加算法复杂度下能提高算法的收敛性能。(本文来源于《北京理工大学》期刊2015-06-05）
粒子多样性论文开题报告
（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：
针对二进制粒子群算法惯性权重和种群多样性不能随粒子群进化状态变化而动态协同调整,易造成后期收敛性较差陷入局部最优的缺点,提出一种惯性权重与种群多样性协同调整的二进制粒子群算法(CBPSO),首先使用混沌函数初始化种群,其次根据每个粒子与最优粒子之间海明距离均值与当前迭代状态共同调整权重值,再次根据海明距离均值动态调整种群多样性,最后根据调整后的种群多样性在下次迭代中计算新的海明距离均值及对应的惯性权重值.通过对常用的基准函数进行不同维度下的仿真实验,实验结果证明:在相同迭代次数等条件下,该算法具有较强的动态搜索能力和种群多样性调整能力,比同类算法具有更好的准确率和鲁棒性.
（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。
粒子多样性论文参考文献
[1].韩红桂,武淑君.基于收敛速度和多样性的多目标粒子群种群规模优化设计[J].电子学报.2018
[2].李浩君,张广,王万良.一种惯性权重与种群多样性协同调整的二进制粒子群优化算法[J].小型微型计算机系统.2018
[3].韩红桂,卢薇,乔俊飞.一种基于多样性信息和收敛度的多目标粒子群优化算法[J].电子学报.2018
[4].韩红桂,卢薇,乔俊飞.一种基于种群多样性的粒子群优化算法设计及应用[J].信息与控制.2017
[5].韩红桂,武淑君,乔俊飞.一种基于收敛速度和多样性的自组织多目标粒子群优化算法[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[6].陈佳瑜,李梁,罗云.采用多样性选择的量子粒子群双向聚类算法[J].计算机工程与应用.2018
[7].陈哲.基于多样性策略的动态多目标粒子群优化算法研究及应用[D].南京信息工程大学.2017
[8].韩红桂,卢薇,乔俊飞.基于种群多样性的粒子群优化算法设计及应用[C].第27届中国过程控制会议（CPCC2016）摘要集.2016
[9].吴昊,孙晓燕,郭玉堂,刘路路,沈晶.保持粒子多样性的非退化粒子滤波方法研究[J].电子学报.2016
[10].刘昊.多样性增强的粒子群优化算法及其应用研究[D].北京理工大学.2015
标签：多目标粒子群优化算法; 种群规模; 自适应调整方法; 动态调整;