为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.
2023-03-19 15:14:27
261KB
1
针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点，提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法，利用PSO算法强大的优化能力，通过对算法的改进，将过程模型的每个参数作为微粒群体中的一个微粒，利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值，可有效提高参数辨识的精度和效率。
2023-03-14 16:51:01
277KB
1
zip 包含四个文件PSO31.m 主要 PSO 功能，带有详细注释。 PlotG.m 用于可视化 Griewangk 函数。 Griewangk.m 是 Griewangk 函数本身。
2023-03-13 22:52:42
2KB
1
针对Stewart平台的奇异性分析，以雅可比矩阵行列式为目标函数，将奇异性分析问题转化为在并联机构可达工作空间内的连续优化问题。通过对基本蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的调整，构成了更加适用于连续优化问题求解的改进蚁群算法。采用该算法进行了Stewart平台的奇异性分析，结果证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，从而为解决并联机构奇异性分析这一类问题提供了有价值的参考。
2023-03-12 00:15:54
301KB
1
粒子群算法解决TSP问题的关键在于全局最优值的定义和本次种群最优值的定义，本算例通过对点的位置进行最优值的定义，每次迭代各个点以概率的形式朝着全局最优和本次最优靠近。程序可直接运行，有部分程序说明。
2023-03-10 21:07:12
4KB
1