共查询到20条相似文献，搜索用时 15 毫秒
1.
乔维德 《娄底职业技术学院学报》2008,6(4):39-43
粒子群优化（PSO）算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。本文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播（BP）算法结合起来构成的混合算法用于训练人工神经网络,对电力电子电路故障进行在线诊断。仿真结果表明,改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的诊断精度。 相似文献
2.
为了克服传统粒子群算法（Pso）的早熟和局部最优问题,通过分析基于惯性权重的粒子群优化在粒子寻优过程中的可行性,提出了一种变惯性权重的改进PSo算法,并对经典的测试函数进行TN试。实验结果证明,与传统PSO算法以及基于惯性权重的PSO相比,改进算法的寻优效果较好,全局搜索能力有显著提高,并能有效地避免早熟收敛问题。 相似文献
3.
施众 《贵阳学院学报(自然科学版)》2021,16(1):1-6
随着科学信息技术的发展,粒子群优化算法凭借简单的概念与易实现的特点,获得了众多科研人员的青睐,但在粒子群优化算法应用于移动机器人路径规划时,却遇到了经常陷入局部最优值的问题.本次研究提出对PSO算法进行优化以优化该局部最优的问题.在对PSO算法进行优化的过程中,采用混沌算法对PSO算法进行初始化,随后将其早熟粒子进行混... 相似文献
4.
《赤峰学院学报(自然科学版)》2016,(21)
针对和声搜索算法的早期收敛速度快,后期收敛慢,容易陷入局部最优解的问题,本文提出了一种改进的全局和声搜索算法.该算法对标准和声搜索算法作了三点改进,首先在和声记忆库初始化时采用反向学习策略,提高初始解的质量,提高收敛速度,其次,采用动态方式调整参数,第三,利用当前和声记忆库中的全局最优解产生新解,提高全局搜索能力.采用该算法对6个标准的测试函数进行优化,结果表明,该算法避免算法的早熟和增强算法的全局搜索能力,具有较好的优化性能. 相似文献
5.
6.
《实验室研究与探索》2016,(10):107-111
传统的粒子群优化(Particle Swarm Optimization,PSO)算法易陷入局部最优,因此引入了混沌优化形成混沌粒子群(Chaotic Particle Swarm Optimization,CPSO)算法以减小粒子陷入局部最优的可能,并在此基础上结合了差异进化(Differential Evolution,DE)算法中的交叉操作得到改进粒子群优化(Improved Particle Swarm Optimization,IPSO)算法以增加粒子的多样性,从而增加获得更优解的可能。为验证算法有效性,将PSO、CPSO和IPSO基于Matlab软件分别对IEEE30节点测试系统进行电力系统无功优化仿真。仿真结果表明,IPSO算法能找到质量更高的解,且收敛特性更好,体现了算法改进的优越性。通过该仿真实验,既可加强学生运用仿真软件的能力,又可加深学生对无功优化的理解和对智能算法的认识,从而有效提高教学质量。 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.
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
9.
由于传统遗传算法通过自身的改进很难解决易陷入局部收敛和全局最优解产生效率低等问题,通过对传统遗传算法几大难题的详细分析,最终结合混沌算法设计出一种混合进化算法。该算法能够有效地提高全局收敛效率、改善算法早熟等问题,并且具有很好的稳定性和收敛性,文中对此进行了详细论述分析。 相似文献
10.
为了解决蚁群算法收敛速度慢和易陷入局部最优的问题,提高算法在连续空间中的寻优能力,本文提出了一种基于有向搜索的智能蚁群优化算法。该算法使转移概率较大的蚂蚁个体在解空间中进行局部有向变步长搜索,有效地避免了算法陷入局部最优,缩短了搜索时间,在寻优精确度取得了很好的效果。通过仿真验证了算法的有效性 相似文献
11.
支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。 相似文献
12.
在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。 相似文献
13.
为解决蚁群算法（ACO）求解TSP收敛速度缓慢、易陷入局部最优的问题,提出一种基于蚁群的融合算法（APG）。首先在ACO的初始种群中引入精英策略,获得精英路径并构建精英可行解空间;其次引入PSO模型,令精英可行解作为PSO的初始种群,加入GA中的进化策略,使粒子与Gbest进行交叉操作,再使交叉操作后的粒子发生变异,得到第二次优化的可行解空间;最后更新ACO信息素,完成一次ACO优化迭代过程。通过APG在TSPLIB中不同实例的验证,结果表明,APG算法较其它路径优化算法能够得到更优路径。 相似文献
14.
针对四旋翼飞行器的标准粒子群优化算法PID控制器容易陷入局部最优解、过早收敛的问题,提出了一种动态粒子群优化算法的PID控制技术。该算法主要由两部分组成:①根据迭代过程中粒子群粒子与全局最优粒子间的欧氏距离大小动态改变惯性权重,并设置系数控制其对惯性权重的影响程度;②引入杂交进化,在指定迭代次数内,若粒子群全局最优值连续未变,则对指定数量的粒子进行杂交,增加粒子多样性,避免陷入局部最优。通过Matlab/Simulink搭建四旋翼飞行器模型并仿真。结果表明,该优化算法能有效地避免陷入局部最优和过早收敛,使四旋翼飞行器得到更平稳、精确的控制,减少超调,提升计算效率。 相似文献
15.
在分析基本PSO算法早熟收敛原因的基础上,提出一种基于混沌思想和自适应邻域探测机制的粒子群优化算法（CANE-PSO）.该算法先引入混沌思想对粒子种群进行位置初始化,以提高初始种群的多样性,再引入随机的邻域探测机制,并引入全局极值变异算子,增强了算法的全局搜索能力.通过与其它三个改进算法比较,结果表明CANE-PSO优化效率有较大的提高,较有效地避免了早熟收敛问题. 相似文献
16.
17.
针对基本粒子群优化算法存在的早熟收敛问题,提出了一种保持粒子活性的改进PSO算法:当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索,并将改进的PSO算法应用到酒精流加发酵过程的补料优化。实验结果表明,运用改进的PSO算法在进行流加发酵过程的补料优化时,它的寻优性能良好,而且寻优速度很快,可以提高最终产物14%的产量。 相似文献
18.
多相机组网网络设计具有多参数、多约束、运算量大等特点,在理论上是一个复杂的优化策略问题,寻找其绝对精确的最优解通常需要很大的运算量,因此在实现时必须考虑算法效能。利用基于粗糙集的启发式属性约简算法获得特征属性的约简,在此基础上利用改进的支持向量机对约简信息进行预测。为了获得最优预测精度,采用混沌粒子群优化（PSO）算法以避免SVM预测模型的局部优化。最后通过实验对粒子群优化（PSO）算法、改进的PSO（IPSO）算法与混沌PSO（CPSO）算法性能进行比较,分析结果表明,相比于其它方法,该方法在收敛速度以及防止局部寻优等性能方面有较大提高。 相似文献
19.
20.
标准粒子群算法（PSO）容易陷入局部最优解,导致收敛速度慢、效率低．文章结合遗传算法提出了改进的组合粒子群算法,在每次迭代后应用随机函数随机选择下一次迭代所使用的变异策略或交叉策略．由测试数据表明组合粒子群算法在求解TSP时性能上有很大提高． 相似文献