本文件包括源码，实验说明文档，实验总结PPT
Have a happy experiment！
2019-12-21 20:27:57
340KB
1
针对基本粒子群优化(basic particle swarm optimization,简称bPSO)算法容易陷入局部极值、进化后期
的收敛速度慢和精度低等缺点,采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出了简化
粒子群优化(simple particle swarm optimization,简称sPSO)算法、带极值扰动粒子群优化(extremum disturbed
particle swarm optimization,简称tPSO)算法和基于二者的带极值扰动的简化粒子群优化(extremum disturbed and
simple particle swarm optimization,简称tsPSO)算法.sPSO 去掉了PSO 进化方程的粒子速度项而使原来的二阶微
分方程简化为一阶微分方程,仅由粒子位置控制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收
敛变慢和精度低问题.tPSO 增加极值扰动算子可以加快粒子跳出局部极值点而继续优化.对几个经典测试函数
进行实验的结果表明,sPSO 能够极大地提高收敛速度和精度;tPSO 能够有效摆脱局部极值点;以上两种策略相
结合,tsPSO 以更小的种群数和进化世代数获得了非常好的优化效果,从而使得PSO 算法更加实用化.
2019-12-21 20:23:06
377KB
1
利用极限学习机和粒子群优化算法同时对WNN优化，然后对有效停车泊位进行预测，仿真表明在提高预测精度的同时，有效的减少了预测所需时间。
2019-12-21 20:21:11
3KB
1
基于粒子群优化算法的无线传感器网络节能覆盖研究_张娟
目前已经有很多学者对无线传感器网络的各个层面进行了深入研究,并取得了一些
成果。使用比较广泛的是通过降低网络能耗来延长网络的生存时间,釆用的优化策略大
致分为以下4类:节点睡眠调度机制、调整感应半径、选择最佳路由和高效的数据融合
机制。本文主要通过对感知半径的调整以及节点睡眠调度机制,基于粒子群及其改进算
法,研究无线传感器网络生命周期最大化问题。主要研究内容和成果如下:
2019-12-21 20:20:30
8.77MB
1
量子粒子群优化(QPSO)算法是在经典的粒子群优化(PSO)算法的基础上所提出的一种具有量子行为的粒
子群优化算法，具有高效的全局搜索能力。通过求解J．D．Schafer提出的多峰函数优化问题的实验分析表明，方法具有良
好的收敛性和稳定性。
2019-12-21 20:07:45
2KB
1