导读:本文包含了粒子群混合优化算法论文开题报告文献综述及选题提纲参考文献，主要关键词:船舶舱室,机舱,布局优化,粒子群算法
粒子群混合优化算法论文文献综述
罗云,唐丽晴[1]（2019）在《粒子群蚁群混合优化算法在船舶机舱布局优化上的应用》一文中研究指出船舶舱室布局优化有助于充分提高其空间利用率。机舱是船舶中最重要的舱室,其布局优化要考虑其多种设备之间、设备与舱室之间的复杂的协调关系,因而不易优化。为了更好地解决船舶机舱布局优化问题,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化算法并应用于一个具体的船舶机舱布局优化的实际算例中。其仿真结果表明,改进算法具有一定的计算优势,在相同条件下能够寻到更精确的解。(本文来源于《舰船电子工程》期刊2019年10期）
杨欣东,李国勇[2]（2019）在《基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解》一文中研究指出为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。(本文来源于《科学技术与工程》期刊2019年25期）
顾清华,孟倩倩[3]（2019）在《优化复杂函数的粒子群-鸽群混合优化算法》一文中研究指出针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。(本文来源于《计算机工程与应用》期刊2019年22期）
陈国福,陈小山,张瑞[4]（2018）在《基于引力搜索和粒子群混合优化算法的证券投资组合问题研究》一文中研究指出本文研究考虑交易成本的投资组合模型,分别以风险价值(VAR)和夏普比率(SR)作为投资组合的风险评价指标和效益评价指标。为有效求解此模型,本文在引力搜索和粒子群算法的基础上提出了一种混合优化算法(IN-GSA-PSO),将粒子群算法的群体最佳位置和个体最佳位置与引力搜索算法的加速度算子有机结合,使混合优化算法充分发挥单一算法的开采能力和探索能力。通过对算法相关参数的合理设置,算法能够达到全局搜索和局部搜索的平衡,快速收敛到模型的最优解。本文选取上证50股2014年下半年126个交易日的数据,运用Matlab软件进行仿真实验,实验结果显示,考虑交易成本的投资组合模型可使投资者得到更高的收益率。研究同时表明,基于PSO和GSA的混合算法在求解投资组合模型时比单一算法具有更好的性能,能够得到满意的优化结果。(本文来源于《运筹与管理》期刊2018年09期）
毋雪雁[5]（2018）在《基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统》一文中研究指出随着现代先进科技的不断发展,医学技术以及医疗方式的不断进步,将传统医学技术与现代科学技术相融合已经成为当今时代发展的重要任务之一。本文首先明确了实验的背景与研究意义,之后对于脑部核磁共振图像在国内外的研究和发展现状做出了简要的分析与介绍。本文研究了一种智能病脑检测系统(Smart Pathological Brain Detection,SPBD),主要研究的是计算机辅助诊断(Computer Aided Diagnosis,CAD)系统中的医学图像处理技术,论文的主要目的是将医学图像做出较为准确的分类,将有病与健康的大脑图像很好的区分开来。本文利用图像特征提取及分类优化的思想对于脑部核磁共振图像做了分类研究,并取得以下研究成果:1.采用数据增强的方法对于健康脑图像进行旋转变换,以增强健康脑图像的数量并且解决了样本数据不平衡的问题,以便于之后实验能够更好地提取样本特征。将数据增强之后的脑部核磁共振图像用小波熵进行特征提取,将特征数量从65536个降低到了 7个值,作为之后分类实验里面使用的W-kNN分类器输入数据集当中最重要的组成部分。2.采用加权K最近邻算法(Weighted k-Nearest Neighbor,W-kNN)作为本文实验的分类算法,W-kNN以样本特征的重要性为依据来分配权重,自动学习出合适的权重来给不同特征赋予不同的重要性;权重的引入能够进一步提高kNN分类算法的分类性能,在分类的准确性和稳定性方面都比kNN分类算法更胜一筹。3.提出遗传算法与粒子群优化算法混合优化算法,取长补短地将两种算法相结合,将GA的交叉和变异思想引入标准PSO算法,以避免PSO算法得到的解过早收敛导致陷入局部最优解。算法得到的七个最优解作为样本特征的权重,与样本特征相乘得到加权kNN算法的输入数据。之后使用叁折交叉验证的方法对数据进行训练,以保证数据集的分类效果。最后用分类准确率作为标准对实验的好坏进行判断。实验比较发现,本文的基于遗传算法与粒子群算法混合优化加权K最近邻算法(WE-W-kNN-GA_PSO)分类效果最佳,对于实验数据集当中的数据进行了测试,分类准确率达到了 96.97%。在今后,我将会为SPBD的研究做出更大努力。(本文来源于《南京师范大学》期刊2018-03-27）
张弛,唐庆华,严玮,魏菊芳,侯恺[6]（2017）在《基于粒子群-内点混合优化算法的区域综合能源系统可靠性评估》一文中研究指出区域综合能源系统(integrated community energy system,ICES)的发展将电、气、热等能源联系得更加紧密。文章在能源集线器模型基础上,结合蒙特卡洛系统状态抽样方法,提出了一种基于粒子群-内点混合优化算法的区域综合能源系统可靠性评估算法。该算法通过结合粒子群算法和内点法的优劣势互补,可较准确计算目标区域综合能源系统可靠性量化指标。之后详细分析了可再生能源渗透率对区域综合能源系统可靠性的影响。(本文来源于《电力建设》期刊2017年12期）
王平,陈根军,喻显茂,闵国君,陈胜[7]（2017）在《差分粒子群混合优化算法在汽轮机调节系统参数辨识中的应用》一文中研究指出建立汽轮机调节系统准确的数学模型对电力系统频率稳定的分析具有重要的应用价值。对于汽轮机调节系统的非线性参数辨识,进化算法有一定优势,但也存在着早熟和收敛速度慢的缺陷。为此提出一种基于差分-粒子群的混合优化算法,在粒子进化过程中引入差分进化操作,提高粒子进化效率。以贵州某电厂1号机组为研究对象,结合现场实测数据,采用DEPSO方法对其调节系统参数进行辨识。仿真校核结果表明,辨识得到的汽轮机调节系统模型能够较为真实地反映实际系统的功率响应特性,证明了混合算法解决此类问题的有效性。(本文来源于《智慧电力》期刊2017年09期）
吕超[8]（2017）在《基于生物地理学和粒子群的混合优化算法及其应用》一文中研究指出近年来,基于进化计算的智能优化算法受到了学术界越来越广泛的关注,原因在于智能优化算法可以解决大量传统数学方法不能解决的实际优化问题。经过人们的大量研究和尝试,至今智能优化算法已成功地应用于科学研究和生产实践的诸多领域并取得了显着的效益。随着智能算法优越性的逐渐显现,大量启发式进化优化算法相继出现,并且一种经典算法的提出往往伴随着大量基于该算法的改进算法的涌现,目的是提高其优化搜索性能从而更有效地解决某一具体优化问题。算法的改进有多种模式,包括优化算法参数,变更种群搜索策略等。然而,一种优化算法的优化能力毕竟是有限的,因此将不同优化算法按照某种方式融合起来构成混合优化算法成了研究的热门。混合优化算法可以结合不同优化算法的特点,在搜索能力和优化性能上相比单一算法具有明显优势。本文着眼于一种新颖的启发式进化优化算法:生物地理学优化(BBO)和一种经典的群智能优化算法:粒子群优化(PSO),在充分分析两种算法搜索机理和信息流动机制的基础上,提出了一种融合二者优势的混合优化算法:BBO-PSO算法。该算法在结合BBO和PSO各自优点的基础上,不仅能较好地协调局部搜索和全局搜索,还能在一定程度上平衡算法“探索”和“开发”的矛盾。本文首先在经典测试函数上对其进行了优化性能测试,仿真结果表明,BBO-PSO具有较强的优化搜索能力,较好的稳定性和较高的计算效率。为探索该算法在实际问题中的应用,本文又将其应用于二维IIR数字滤波器的设计。我们首先将二维数字滤波器的设计问题转化为一个单目标约束优化问题并建立相关数学模型,然后应用BBO-PSO算法解决该优化问题,仿真结果表明BBO-PSO相比现有其它优化算法在该问题上有更好的设计效果,说明其具有较好的应用潜能。文章最后又提出了一种改进的IBBO-PSO算法以进一步提高BBO-PSO的运算效率和寻优能力。(本文来源于《兰州大学》期刊2017-05-01）
汪维友[9]（2016）在《粒子群混合智能优化算法及应用研究》一文中研究指出优化问题普遍存在于工程设计、信息技术、工业生产等科学领域,因而解决优化问题是具有一定的理论意义和实践价值。智能优化算法是源自于生物进化规律的搜索方法,它具有简单、高效和鲁棒性等特点,吸引着大量研究者们的关注并应用于解决各类优化问题。然而,单纯的智能优化算法并不能满足实际问题中复杂的高维、离散和动态等优化问题,因此针对解决复杂的优化问题而设计混合智能优化算法具有一定的研究意义。本文不仅概述了智能优化算法的研究背景、意义及研究现状,而且还分析了一些智能优化算法的不足。本文对高维优化问题、虚拟机放置问题及智能优化算法进行了研究,提出了两种混合智能优化算法(PS-ABC和HGPSO-EC)。论文的主要研究工作如下:(1)高维优化问题由于随着搜索空间维度的增加,其计算复杂度按指数级增长,对此本文提出了一种改进的混合智能优化算法PS-ABC。该算法的思想是在每次迭代过程中,每个个体是在粒子群(PSO)算法结构上使用人工蜂群(ABC)算法的探索能力,因此,该算法拥有快速收敛和优秀的计算性能。通过仿真结果表明,该算法在解决高维优化问题上效果显着。(2)在云数据中心中,为了降低服务器资源的浪费,本文提出一种基于聚类思想、粒子群和遗传(GA)算法的面向虚拟机放置混合算法(HGPSO-EC)。该混合优化算法主要包括租户虚拟机整体聚类(EC)和HGPSO算法两部分。虚拟机整体聚类有利于最小化通信代价;HGPSO算法综合了 GA算法的强全局探索与PSO算法的强局部开发能力,能够降低服务器资源的浪费。实验仿真验证了 HGPSO-EC算法在解决虚拟机放置问题的可行性和有效性。(本文来源于《湖南大学》期刊2016-04-15）
饶喆,唐双喜,刘国平[10]（2015）在《基于蚁群粒子群混合算法的K均值聚类优化算法研究》一文中研究指出K均值聚类算法是一种经典的数据挖掘算法,但该算法存在对初始值敏感且容易陷入局部最优问题,一定程度上影响分类结果的准确性。通过分析蚁群算法和粒子群算法,将两者混合算法应用到K均值聚类算法,提出一种K均值聚类优化算法。仿真结果表明,该优化算法不易受到初始值取值的影响,且具有较强的全局寻优能力,可作为聚类分析的一种有效方法。(本文来源于《数字技术与应用》期刊2015年04期）
粒子群混合优化算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子群混合优化算法论文参考文献
[1].罗云,唐丽晴.粒子群蚁群混合优化算法在船舶机舱布局优化上的应用[J].舰船电子工程.2019
[2].杨欣东,李国勇.基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解[J].科学技术与工程.2019
[3].顾清华,孟倩倩.优化复杂函数的粒子群-鸽群混合优化算法[J].计算机工程与应用.2019
[4].陈国福,陈小山,张瑞.基于引力搜索和粒子群混合优化算法的证券投资组合问题研究[J].运筹与管理.2018
[5].毋雪雁.基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统[D].南京师范大学.2018
[6].张弛,唐庆华,严玮,魏菊芳,侯恺.基于粒子群-内点混合优化算法的区域综合能源系统可靠性评估[J].电力建设.2017
[7].王平,陈根军,喻显茂,闵国君,陈胜.差分粒子群混合优化算法在汽轮机调节系统参数辨识中的应用[J].智慧电力.2017
[8].吕超.基于生物地理学和粒子群的混合优化算法及其应用[D].兰州大学.2017
[9].汪维友.粒子群混合智能优化算法及应用研究[D].湖南大学.2016
[10].饶喆,唐双喜,刘国平.基于蚁群粒子群混合算法的K均值聚类优化算法研究[J].数字技术与应用.2015