共查询到20条相似文献，搜索用时 15 毫秒
1.
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.
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
4.
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
5.
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
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.
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
8.
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
9.
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
10.
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
11.
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
12.
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
13.
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.
利用粒子群优化算法(PSO)强大的全局搜索能力,提出了用PSO算法优化FCM聚类中心的方法,有效地避免了传统的FCM由于初始值及噪声的影响,容易陷入局部最优的不足,同时图像分割的效果得到了提高,性能比传统的FCM方法更加稳定。实验结果表明,该方法在图像分类中的应用效果较好。 相似文献
16.
求两点沿自由曲面最短路径的关键是正确选择两点间沿曲面的路径.粒子群优化算法(PSO)是一种全局性的概率搜索算法,它在整个问题空间实施搜索,可以得到问题的全局最优解.将粒子群优化算法的思想引入到路径寻优中,采用圆弧逼近法进行初始逼近,提出了解决自由曲面最短路径的随机搜索算法.最后给出了数值实例,结果表明该算法具有容易实现、运算量小等特点. 相似文献
17.
18.
在城市应急网络的大背景下,采用粒子群优化算法(PSO),对应急物流的调度进行了研究。自然选择的粒子群优化算法是在基本粒子群算法的基础上改进的算法,相比基本粒子群算法,它用当前较好的粒子代替较差的粒子,通过函数测试,表明自然选择的粒子群算法的精确度和效率都很高。利用自然选择的粒子群算法,在满足应急运输要求的前提下,充分利用各种物流设施,快速组织多种交通工具,制定应急物流最优的调度决策,以保证经济效益的最大化和实现过程的最优化。 相似文献
19.
《东南大学学报》2021,(3)
为进一步降低燃煤电站锅炉的NO_x排放量,在低氮燃烧优化中引入相反学习粒子群算法(OBLPSO)和广义相反学习粒子群算法(GOBLPSO).在某660 MW燃煤机组锅炉中进行了摸底工况、变氧量工况、变磨煤机投运方式工况、变风压工况等燃烧调整试验,得到燃烧优化的样本,进而比较分析了粒子群算法(PSO)、标准差分进化算法(DE)、OBLPSO算法和GOBLPSO算法的适应性.51次独立重复优化试验结果表明:PSO算法性能优于DE算法,而GOBLPSO算法性能总体优于PSO算法和OBLPSO算法.GOBLPSO算法优化的NO_x排放量中位数较PSO算法最多可低15.8 mg/m~3.广义相反学习能有效利用当前搜索空间的信息,提升粒子群在低氮燃烧优化中的适应性. 相似文献
20.
该文针对基本微粒群算法（Particle Swarm Optimizaton,简称PSO）存在的早熟收敛问题,提出了一种改善粒子活性的改进微粒群（IPSO）算法。当粒子逐步失去活性时,对粒子按一定的概率重新以一定的方式进行赋值,达到激活该粒子的目的,使粒子能够有效地进行全局和局部搜索。通过函数优化测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够有效、稳定地提高函数优化精度。 相似文献