共查询到10条相似文献，搜索用时 15 毫秒
1.
2.
3.
4.
5.
针对粒子群算法（PSO）在优化高维多极值问题时容易陷入局部极值的问题,结合分层进化与动态学习策略,提出一种具有动态学习能力的分层进化粒子群优化算法（DHEPSO）。该算法首先根据粒子适应度值将粒子划分为不同层级,对不同层级粒子采取不同的进化策略,避免迭代后期种群多样性快速消失;然后根据粒子所属层级的不同动态调整粒子学习能力,在保证算法收敛精度情况下提高算法收敛速度;最后将算法在4个典型函数进行测试,结果表明DHEPSO与传统粒子群算法相比,除病态函数外均能快速达到全局最优。同时,问题维数提升对算法的全局收敛能力影响较小,证明该算法具有良好的稳定性。 相似文献
6.
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
7.
一种非线性递减惯性权重策略的粒子群优化算法 总被引：1，自引：0，他引：1
目的改进基本粒子群算法的一些缺点．基本粒子群算法是一种有效的寻找函数极值的演化计算方法．它简便易行，收敛速度快但此算法也存在收敛精度不高，易陷入局部极值点的缺点．方法对原有算法中的固定惯性权重进行改进．结果提出一种非线性递减惯性权重策略的粒子群优化算法．结论对六种具有代表性的测试函数进行了仿真实验．并与基本粒子群算法中惯性权重分别取固定权重、线性递减权重进行了比较，说明了非线性递减惯性权重策略的粒子群优化算法具有更好的性能和全局搜索能力． 相似文献
8.
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
9.
10.
从理论上分析了粒子群优化算法的收敛性,并针对标准PSO优化算法容易陷入早熟,收敛于局部最优解的问题,提出了一种基于遗传算法的带交叉因子的改进PSO优化算法,该算法通过对典型测试函数的测试,有效地加快了收敛速度和提高了收敛精度,能够有效地跳出局部收敛范围,避免陷入早熟,收敛于全局最优解。 相似文献