分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小, 粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法, 该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性, 将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.
2022-06-01 14:58:49
445KB
1
为了方便使用，近期和朋友整理了对各种loss函数的对比，包括适用场景等等，对深度学习有很大的帮助，希望与大家共同学习
2022-05-29 14:57:38
13.25MB
1
该代码采用python编写模拟退火算法，整个过程中可以根据更改代码求解最大值与最小值。
1. 模拟退火算法的原理：
输入：温度T、退火控制参数k、初始点x0
输出：最优的自变量值、最大/最小值
（1）给定初始值温度T，退火控制参数k，初始点x0(该点为随机选择点),并计算f(x0)
（2）随机产生扰动r=(2*rand-1)*delt;新店x1=x0+r,同时计算f(x1)、f(x1)-f(x0)
(3) Metropolis准则，若f(x1)-f(x0)>0,接受该点（更新x0），且接受概率为p=exp(-(f(x1)-f0)/T)，若p>r(r为0-1上的随机数)，接受该点（更新x0），否则放弃该点
（4）执行降温操作：T=T*k;返回（2）继续
（5）执行上述步骤，结束
2022-05-28 10:05:03
3KB
代码里默认可行解个数SN为20，蜜源没有改进的最大次数limit为20，解向量的维数Dimension是2，通过输入迭代次数10000，便可得到函数的极小值。
2022-05-11 21:08:32
2.37MB
1
针对烟花算法(FA) 寻优过程中粒子间信息交流少、对最优点位置不在原点和原点附近的目标函数求解能力差的缺点, 提出带有引力搜索算子的烟花算法(FAGSO). 算子利用粒子间相互引力作用对粒子维度信息进行改善, 以提高算法的优化性能. 6 个标准和增加位置偏移测试函数的仿真结果表明, FAGSO相比于FA、粒子群算法和引力搜索算法, 在寻优速度和寻优精度方面有更好的优化性能.
2022-05-10 19:38:12
421KB
1
本课程首先介绍了传统的情感分类模型，将传统的情感分类模型与深度学习情感分类模型对比并阐述了各模型的特点。之后介绍了基于LSTM情感分类模型，其中包括LSTM的基本原理、如何搭建LSTM网络、并演示了LSTM情感分类模型的训练和预测。最后通过改变交叉熵函数对模型进行了优化。
2022-05-02 21:32:02
5.35MB
1
用蚁群算法进行函数优化时，存在收敛速度慢且易于陷入局部最优解的问题。针对这一现状，提出了一种微粒群和蚂蚁算法相结合的混合连续优化算法，该算法引入微粒群优化操作进行全局搜索牵引，采用网格法进行细密度的蚂蚁局部搜索，从而能很好地应用于求解连续对象优化问题。对若干典型复杂连续函数的实验测试结果表明，该混合算法跳出局部最优解的能力较强，能较快地收敛到全局最优解，并能适于高维空间的优化问题。与最新的有关研究成果相比，该算法不仅寻优精度高，而且收敛速度大幅提高，效果十分令人满意。
2022-04-17 12:25:08
661KB
1
电力系统经济调度问题是电力系统中的一个重要的研究课题,针对该问题,提出一种改进粒子群优化(ODPSO)算法.改进算法在搜索前期,采用广义的反向学习策略,使算法能够快速地靠近较优的搜索区域,从而提高收敛速度;在搜索后期,借鉴差分进化算法的进化机制设计改进的变异和交叉策略,对当前种群的最优粒子进行更新,从而提高种群的多样性,进而协助算法获得全局最优解.为了验证改进粒子群优化算法的有效性,对CEC2006提出的22个基准约束测试函数进行仿真,结果表明改进算法相比其他算法在寻优精度和稳定性上更具优势.最后,将改进算法应用于考虑机组爬坡速率约束、机组禁行区域约束以及电力平衡约束的两个电力系统经济调度问题,取得了令人满意的结果.
2022-04-17 11:52:08
522KB
1