畢業(yè)設計論文—粒子群優(yōu)化算法的實證分析研究(留存版)
【正文】 最佳值。這些實驗的結果闡釋了粒子群優(yōu)化算法具有迅速 收斂 的能力并能 縮放 得很好，但是粒子群優(yōu)化算法的成果對種群大小并不敏感。 種群 的數量被設置為 1000， 1500和 3000各自符合 維數 10， 20， 30。大的慣性 權 重能促進全 局 搜索而小的慣性 權 重則促進 局部 搜索 能力 。 代表粒子 i位置頻率的變化（速度）。在所有的測試例子中，粒子群優(yōu)化算法總是迅速地朝著最佳的方向 收斂 ，但是當它接近最小值時，它會減緩 收斂 速度。在進化 演變 中，每個個體的都是通過增加隨機函數（這種最普遍使用的隨機函數要么是高斯函數，要么就是 柯 西函數）突變的。通過適應策略參數研究來調整模擬的步長，理想被使用的進化編程算法已經具有向著最佳的搜索范圍調整的能力。 圖表 5和圖表 8各自展示了 Rosenbrock函數的四種不同種群大小的結果。但在某種程度上，為了調整慣性 權 重，這可以通過實施自我適應的 策 略來 解決 這 個困難。 表 2： 每個函數中 和 值 圖表 1和圖表 2展示了各自 Sphere函數的四種不同種群大小的結果。 在文獻【 15】中，通過引導在進化優(yōu)化文學中重點研究的四個非線性函數的實驗，安熱莉娜把哲學和成果的不同之處在進化編程算法和 粒 子群優(yōu)化算法中相比較。 粒子群優(yōu)化算法不像在遺傳算法，進化 演變 和進化策略中，選取操 作不是由【 】執(zhí)行的。 1 粒子群優(yōu)化算法的實證分析研究 摘要 : 這篇論文主要寫的是我們 實證分析 研究粒子群優(yōu)化算法的成就。在粒子群優(yōu)化算法所有的粒子在運行過程中（這個運行作為居先于進化算法的各代的種群 ）都作為 種群 的成員這就是該粒子的速度 [9]，它的速度的更新是依據它自己和它同伴最先前的位置。這個已經被運用的進化編程算法是結合高斯和 柯 西
公司管理相關推薦
鄂ICP備17016276號-1