<html dir="ltr"><head><title></title></head><body>针对当前各种粒子群优化算法解决问题时存在的局限性, 提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO). 该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4 种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优. 通过对7 个标准测试函数的仿真实验并与其他算法相比较, 所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力.</body></html>
2021-12-20 10:26:54
302KB
1
此提交包括用于使用连续遗传算法优化任何二维函数的 GUI。 阅读包含的自述文件和示例函数文件以获取更多详细信息和说明。
2021-12-19 19:59:17
44KB
1
差分进化算法（DE算法）的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子，更加贴近个体重组的变异算子的差分是DE算法特有的。DE算法的这个主要特性是由于在它进行变异的时候有一个自我参照的变异向量，使得它在搜索空间内能够循序渐进的搜索。
2021-12-14 09:33:47
1KB
1
针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.
2021-12-10 11:55:08
954KB
1
门控循环单元(GRU)是一种改进型的长短期记忆模型(LSTM)结构,有效改善了LSTM训练耗时的缺点。在GRU的基础上,对激活函数sigmoid,tanh,ReLU等性能进行了比较和研究,详细分析了几类激活函数的优缺点,提出了一种新的激活函数双曲正切线性单元(TLU)。实验证明:新的激活函数既能显著地加快深度神经网络的训练速度,又有效降低训练误差。
2021-12-04 21:59:08
379KB
1