共查询到10条相似文献，搜索用时 31 毫秒
1.
2.
3.
为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。 相似文献
4.
自适应进化策略中高斯变异算子容易使进化过程陷入局部最优,出现进化早熟.文中针对上述缺点,引入柯西变异算子和子代距离率方法.在进化前期采用柯西的变异,保证个体能够快速地向全局最优的方向移动;在进化后期采用高斯变异,当个体聚集在全局最优解附近时,以较小的变异步长驱动个体向全局最优解方向移动.子代距离率系数进行调整变异算子.通过对单峰与多峰函数仿真试验,验证了算法的有效性. 相似文献
5.
当前差分进化算法研究主要集中在常规种群上,对小种群差分进化（DE）算法的研究较少。小种群差分进化算法因种群规模小,存在多样性降低过快的问题。因此提出一种基于控制参数双峰分布的小种群差分进化算法（BiMDE）。该算法采用基于柯西双峰分布的参数调节机制处理变异缩放因子 F 和交叉概率因子 CR,并对缩放因子 F 进行矢量化设定。将 BiMDE 算法在函数集 CEC2014 上进行测试,并与 5 种最新的小种群差分进化算法进行比较。结果表明,BiMDE 算法在求解精度、收敛速度以及多样性保持上具有较大优势。 相似文献
6.
基于进化策略的函数优化问题研究 总被引：1，自引：0，他引：1
针对进化策略算法在解决具体问题是熟练速度较慢这一问题的原因进行分析,提出自适应变异步长的方法,以在全局和局部范围内进行搜索．变异步长的值依赖于目标变量与全局最优解之间的距离．步长随距离自适应变化,可避免局部熟练和早熟．通过对经典dejong函数和Shubert函数的仿真试验,验证了文中算法的有效性．仿真结果表明,该算法收敛速度快,搜索精度高,且具有良好的全局搜索能力． 相似文献
7.
由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。 相似文献
8.
进化算法是解决优化问题的一种新型方法.与现存的优化算法相比,这种方法有几个优点:它不仅能用于非线性函数,还通常能以概率收敛到全局最优解.基于一种新的变异算子和局部搜索技术,提出了一个求解旅行商问题的的新的进化算法.新的进化算子可以保证约束条件自动满足,局部搜索技术简单易行.另外,对迭代方法做了收敛性分析,给出了收敛的必要条件和充分条件.并进行了计算机模拟.结果表明本文算法是有效的,是一种适用于很多类型组合优化问题的有效方法. 相似文献
9.
针对粒子群优化算法存在的早熟收敛问题,提出了一种改进的自适应变异的粒子群优化算法。该算法根据群体适应度方差和当前最优解的大小,确定当前粒子的最佳变异因子。使用变异因子来改变粒子的运动方向,使粒子进入临近区域继续搜索,以确定新的个体极值和全局极值,避免出现局部最优解。仿真结果表明:自适应变异操作增强了粒子群优化算法跳出局部最优解的能力,其全局搜索能力有了一定提高,收敛速度较快,并且能够有效避免早熟收敛问题;虽然耗费时间有所增加,但在可接受范围内,用少许的时间代价换取全局最优解是值得的。 相似文献
10.
为了解决传统粒子群算法早熟收敛陷入局部最优、粒子中期震荡及收敛结果不精确的问题,提出一种基于叠加Logistic映射分布的FWA-PSO算法对其进行改进。具体方法是：叠加Logistic映射用于对粒子位置的混沌初始化,在粒子数量一定的情况下,平衡最大遍历路径与最快收敛速度;引入FWA算法,同时根据迭代次数与粒子位置标准差,基于惩罚机制非线性调整爆炸半径r、惯性权重w、个体学习因子c1和社会学习因子c2,融合高斯变异算子与循环单维度寻优策略,在维系粒子群多样性的同时,也能避免粒子越过最优解。实验结果表明：FWA-PSO算法针对单峰函数50次平均值均能达到最优解0,证明了算法的稳定性与可靠性;对于多峰函数,FWA-PSO算法也能求得最优解,证明该算法可跳出局部最优,得到全局最优解。 相似文献