共查询到20条相似文献，搜索用时 31 毫秒
1.
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
2.
3.
《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
4.
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
5.
林博艺 《赤峰学院学报(自然科学版)》2012,(20):15-19
针对基本PSO算法在全局优化中收敛精度低和易陷入局部极值的不足,提出一种基于混沌思想的多步搜索的新型的粒子群优化算法（CMPSO）。该算法先引入混沌思想对粒子种群进行位置初始化,然后再引入多步搜索,最后引入概率条件的选择性重新初始化。通过与其它三个改进算法比较,结果表明CMPSO算法的有效性。 相似文献
6.
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
7.
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
8.
为避免粒子群算法陷入局部最优、早熟收敛,提出了一种新型的混沌粒子群混合优化算法。利用混沌映射初值敏感性、遍历性特点,随机初始化一个粒子,并通过混沌映射得到多个粒子的初始值,改变初始粒子群的提取过程。利用混沌映射扩大初始粒子群,得到寻优粒子群,使得粒子群在搜索的过程中,种群数量变大,有利于全局寻优,而种群粒子多样化,有利于跳出局部极值。经典的测试函数仿真表明,改进的粒子群算法极大提高了粒子群的寻优精度和寻优效率,增加了粒子的全局寻优能力,具有更为广泛的应用场景。 相似文献
9.
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
10.
肖正安 《湖北第二师范学院学报》2012,(2):26-29
基于粒子群优化算法的无源模拟滤波器优化设计方法容易陷入局部最优,收敛速度慢迭代次数多、运算量大且稳定性不够好。提出果蝇优化算法对滤波器的整个参数空间进行高效并行搜索直到获得最优的参数值,实例仿真表明,采用该方法设计的滤波器在相同的带宽准确度及阻带衰减的情况下,具有更快的运算速度及收敛性能。 相似文献
11.
简化粒子群优化算法（sPSO）去掉了PSO中的速度项,使算法性能有了显著提高。文章以该算法为基础,讨论了sPSO的改进方向,然后提出了惯性权值优化的简化粒子群优化算法（wsPSO）以及带极值扰动和惯性权值优化的简化粒子群优化算法（wtsPSO）,并通过实验验证了改进的有效性节。 相似文献
12.
铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。 相似文献
13.
李辉 《西安文理学院学报》2011,14(1):84-87
粒子群算法（PSO）在每次迭代过程中,所有粒子都向着最优粒子的方向＂飞行＂,这样的趋同性使得搜索很容易陷入局部最优值.本文仿照现代管理机制提出分层管理粒子群算法（FPSO）,将粒子分为若干组进化,每一组中的最优粒子参照自身极值和整个粒子群的全局极值更新自己的位置,而该组中的其他粒子则参照自身极值和本组中最优粒子的个体极值更新自己的位置,以此增加粒子种群的多样性,解决PSO容易陷入局部最优的缺陷.试验证明：FPSO在收敛速度以及收敛精度方面都比基本粒子群算法有了很大程度的提高,特别对于多极值问题搜索效果非常好. 相似文献
14.
为了提高蛋白质二级结构预测的效率,对具有完全学习策略的量子行为粒子群（CLQPSO）算法进行了研究,实现了一种融合混沌优化与完全学习策略的量子行为粒子群算法;通过在粒子群进化过程中对收缩扩张因子和局部吸引子的混沌优化,提高了敛速和精度．基于统一计算设备架构（CUDA ）,利用GPU 的并行计算能力,将该算法并行化并应用到蛋白质二级结构预测中．实验表明：相比串行实现,该并行算法在对长度较短的残基序列进行蛋白质二级结构预测时,加速比可超过40． 相似文献
15.
为提高双凸透镜在实时缺陷检测时阈值分割的速度和精度,提出了改进粒子群优化算法(particle swarm optimization, PSO)优化Otsu双阈值分割(Otsu’s thresholding method)。通过改进粒子群算法的权重函数并引入约束因子增强粒子前期全局搜索能力,提升了后期局部收敛速度;在判断是否陷入局部最优时加入扰动,防止粒子后期陷入局部最优;用粒子当前位置替换全局位置时,为减少粒子资源浪费,通过重新分配位置和速度激活粒子搜索能力,提升了整体粒子群的全局搜索能力。实验证明,采用改进的PSO算法对图像进行双阈值分割,比Otsu双阈值分割节省约52.7%的时间,比PSO+Otsu算法节省约32.3%的时间,而且其阈值分割的精度也得到了提升。 相似文献
16.
粒子群优化算法因简单、容易实现,被越来越多地应用于众多应用领域,但其存在着容易陷入局部最优等缺点。混沌是一种普遍的非线性现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌的遍历性特点,使其可以作为搜索过程中避免陷入局部极小的一种优化机制。将二者结合求解优化问题,改善了粒子群摆脱陷入局部极值的能力,提高了算法收敛速度。论述了混沌粒子群优化算法的研究进展。 相似文献
17.
本文在概率密度函数估计的框架下对5种粒子群优化(Particle swarm optimization-PSO)算法的性能进行了验证,它们分别是标准粒子群优化(Standard PSO-SPSO),带约束因子的粒子群优化(PSO with a constriction factor-PSOCF),高斯粒子群优化(Gaussian PSO-GPSO),带高斯跳跃的高斯粒子群优化(Gaussian PSO with Gaussian jump-GPSOGJ),以及带柯西跳跃的高斯粒子群优化(Gaussian PSO with Cauchy jump-GPSOCJ).基于3种不同的窗口参数(Bandwidth parameter)表达式确定方法,即Bootstrap方法,Least-squares cross-validation(LSCV)方法,以及biased cross-validation(BCV)方法,本文分别使用这5种PSO算法来寻找最优的窗口参数,并在4种常用的概率分布上对它们的优化性能进行了比较,实验的结果表明,带有跳跃的高斯粒子群优化,即GPSOGJ和GPSOCJ,获得了最佳的求解效果. 相似文献
18.
由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度. 相似文献
19.
20.
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