摘要:为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法。采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据Metropolis准则和温度指...
并将模拟退火算法与PSO算法相结合,提出了一种全新的算法.该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解.最后将该算法应用于八个经典的单峰/多峰函数中.模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度...
自适应调整策略为了提高粒子群算法的寻优速度和精度,避免陷入局部优解,提出一种自适应模拟退火粒子群优化算法.采用双曲正切函数来控制惯性权重系数,进行非线性自适应变化;利用线性变化策略控制社会学习因子和自我学习因子,达到改变不同阶段寻优重点的目的;引入模拟退火操作,根据种群的初始状态设置一个温度,根据米特罗波利斯...
收敛速度慢和收敛精度低的问题,提出一种新的基于模拟退火的粒子群优化算法,采用正弦自适应权重策略,提高算法的收敛速度和收敛精度,增强算法的全局搜索能力.采用4种基准函数对所提出的算法进行仿真测试,并与其他几种粒子群算法进行横向对比,通过仿真实验验证了所提出的基于模拟退火的粒子群算法具有更好的收敛速度和收敛...
粒子群优化算法模拟退火函数优化In PSO algorithm, it tends to suffer from premature convergence and slow rate of convergence on solving the problem of optimization problems. This paper proposed a new algorithm about initialization and simulated annealing algorithm combined with the PSO for function ...
因此,研究粒子群优化算法,并且针对不同的问题对它进行改进,能够更好地发挥其作用。 由 Mark Millonas 于 1994 年提出的群智能的五大基本原则中,PSO 算法完全符合这些原则,其中有一个准则被称为适应性原则( principle of adaptability) 。这一准则的主要思想是: 当行为模式带来的回报与能量投资相比是值得的时候,...