畢業(yè)設計論文—粒子群優(yōu)化算法的實證分析研究-展示頁
2024-12-13 17:28本頁面
【正文】 【 1】，進化 規(guī)劃 【 2】，進化策略【 3】以及 遺傳演變 是四個有名的例子。但是這個實驗的結果表明粒子群優(yōu)化算法是一種有前景的優(yōu)化方法，然而 ,這種新的方法預計將會提高 粒子群 群優(yōu)化算法的 效果接近最優(yōu)化，例如使用合適的慣性 權重 。這個實驗的結果證 實 了粒子群優(yōu)化算法的利與弊。 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。具有非勻稱的最初范圍的 設置 的 函數(shù)是 四種不同基準函數(shù)對所提 算 法被選作測試 函數(shù) 。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。 1 引言 在 種群 中經(jīng)過合作與競爭，基 于 種群 的的最佳方法常常能充分有效地找出很好的解決方法。在另一方面，粒子群優(yōu)化算法受社會習慣的模擬激發(fā)。 .埃伯哈特和肯尼迪【 5， 6， 7， 8】首次介紹了粒子群優(yōu)化算法的演算法則，他們不是使用進化的 運算 去操縱個體，然而在別的進化的估算法中，在 粒子群優(yōu)化算法中，每個個體保持一定的速度在探索空間中飛行，它們的速度是依據(jù)自身和伙伴的飛行經(jīng)驗而靈活變化的。 第 i 粒子最初的位置（這個位置處于最佳的值）被記錄和代表為 符號 g 代表 種群 中所有粒子的最好的位置 。這些粒子是根據(jù)下列的 公 式來操作的。 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。這些粒子以更新后的速度飛行。在進化 演變 中，每個個體的都是通過增加隨機函數(shù)（這種最普遍使用的隨機函數(shù)要么是高斯函數(shù)，要么就是 柯 西函數(shù)）突變的。換句話說，在每個產(chǎn)生中，每個粒子在粒子群優(yōu)化算法中只能向有限的方向飛行，并期待朝著更好領域的方向飛行。也就是說，文獻【 13】粒子群優(yōu)化算法
公司管理相關推薦
鄂ICP備17016276號-1