针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。
2022-03-13 19:32:45
374KB
1
粒子群优化算法是一种基于群体智能的随机全局优化技术,尽管其原理简单易、于实现且功能强大,但目前研究人员还没有对它的工作原理做出足够的解释。将群体优化过程看成一个动态系统的演变,采用线性离散时间系统的分析方法对算法的收敛性进行了分析,导出了简化PSO算法的收敛条件。考虑到参数是影响算法性能和效率的关键因素,利用标准测试函数对算法的参数选择进行了详细的分析,并给出一些指导性原则。
2022-03-06 02:42:08
658KB
1
仿真实例
天线阵列方向图的设计目标：主瓣宽度10°（第一零陷宽度），要求方向图在 40°、45°、50°、55°、60°生成-90dB的零陷，旁瓣电平-15dB以下（使用吸收边界条件）
具体的算法参数设置和优化结果:
算法中种群的大小设置为 60,每个粒子的维数为 64(其中前32位表示激励幅度大小, 后 32 位表示激励相位大小)，适应度函数包括副瓣区的电平高低和两个零深区的电平高低。
2022-03-03 17:38:51
1.03MB
1
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码
2022-03-02 23:58:29
345KB
1
该工具箱提供了粒子群优化 (PSO) 方法
“Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。
****************************************************** ****************************************************** **********************************
2022-02-28 19:26:14
121KB
1