期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
多种群随机差分粒子群优化算法及其应用 被引量:7
1
作者 王皓 高立群 欧阳海滨 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2017年第4期652-660,共9页
为提高粒子群算法的寻优性能,提出了一种新的多种群随机差分粒子群优化算法。该方法将种群随机分组,利用基于吸引概率的轮盘赌方法确定其可能搜索方向。寻优效果预期不明显时,进行子种群内部随机差分进化寻优,以增加寻优方向的随机性和... 为提高粒子群算法的寻优性能,提出了一种新的多种群随机差分粒子群优化算法。该方法将种群随机分组,利用基于吸引概率的轮盘赌方法确定其可能搜索方向。寻优效果预期不明显时,进行子种群内部随机差分进化寻优,以增加寻优方向的随机性和多样性。并给出了一种新的约束处理方法,对种群粒子进行动态划分,仅对部分粒子进行速度更新和位置更新,提高了搜索速度。并将所提出算法应用于数值优化问题和焊接梁设计问题。仿真结果表明,所提出算法在处理多峰函数问题时,寻优精度高,收敛速度快。在处理有约束问题时,提出的处理约束的方法,明显缩短了寻优时间。算法在处理复杂的无约束问题和有约束问题上均具有很好地寻优性能。 展开更多
关键词 粒子群优化算法 多峰问题 约束优化 轮盘方法 差分进化 速度更新 位置更新 搜索速度 数值优化 焊接梁设计
下载PDF
基于双阈值AdaBoost算法的4-CBA含量软测量建模 被引量:1
2
作者 刘瑞兰 刘树云 +2 位作者 戎舟 江兵 庞宗强 《化工学报》 EI CAS CSCD 北大核心 2017年第5期2009-2015,共7页
针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对... 针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。 展开更多
关键词 ADABOOST算法 软测量 双阈值 异常样本 4-CBA含量 轮盘方法
下载PDF
基于柯西变异的蚁狮优化算法 被引量:16
3
作者 于建芳 刘升 +1 位作者 韩斐斐 肖子雅 《微电子学与计算机》 北大核心 2019年第6期45-49,54,共6页
针对蚁狮优化算法较易陷入局部最优停滞,收敛精度低以及收敛速度较慢等问题,将自适应t分布的柯西变异融入到蚁狮优化算法中,提出了基于柯西变异的蚁狮优化算法(CALO).该算法采用轮盘赌的方法挑选出精英蚁狮个体,改善蚁狮群体的适应性,... 针对蚁狮优化算法较易陷入局部最优停滞,收敛精度低以及收敛速度较慢等问题,将自适应t分布的柯西变异融入到蚁狮优化算法中,提出了基于柯西变异的蚁狮优化算法(CALO).该算法采用轮盘赌的方法挑选出精英蚁狮个体,改善蚁狮群体的适应性,提高种群的总体寻优效率;采用具有自适应的柯西变异算子使得蚁狮个体受局部极值点约束力下降,能够快速跳出局部最优,大大提高了全局搜索能力和收敛速度;通过9个单模态、多模态标准测试函数对CALO、ALO、FPA和BA四种算法进行函数测试对比,实验仿真结果表明该改进算法是切实可行的,具有更优的收敛速度和寻优精度. 展开更多
关键词 蚁狮优化算法 柯西变异算子 轮盘搜索方法 花授粉算法 蝙蝠算法
下载PDF
求解动态旅行商问题的蚁群优化算法新策略
4
作者 刘孟莹 秦进 陈双 《计算机仿真》 2024年第8期349-355,368,共8页
动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利... 动态旅行商问题是标准旅行商问题的一个扩展,由于其现实应用广泛,吸引了大量研究者的兴趣。蚁群优化算法可以转化历史环境信息,天然具有适应动态改变的能力,可以解决动态旅行商问题。使用蚁群优化算法解决优化问题时,算法探索能力和利用能力的权衡是一个关键问题。传统的思路是在搜索前期侧重探索能力,使蚁群充分获取搜索空间的信息,随着搜索过程的进行逐渐增强利用能力,使蚁群逐渐收敛。然而,以上思路不利于在动态场景中快速获得质量较高的解。针对动态旅行商问题,提出了一种新的探索-利用权衡策略,在环境变化后,首先使用模拟退火算法增强利用能力以快速获得质量较高的解,在解质量难以提高时再使用自适应性轮盘赌选择方法帮助算法跳出局部极值。在权重变化的动态旅行商问题上的实验证明,所提新策略优于其它蚁群优化算法及变体。 展开更多
关键词 动态旅行商问题 蚁群优化 探索-利用权衡策略 模拟退火算法 轮盘选择方法
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部