分享到:

对粒子群优化算法的几种改进方法

粒子群优化(PSO)算法是一种进化算法是一种较好的优化方法。PSO算法通过粒子间的相互作  (本文共4页) 阅读全文>>

江南大学
江南大学

量子行为粒子群优化算法研究

群体智能算法是通过模拟社会性生物群体的群体行为,对给定的目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式等特点。群体智能算法的典型代表是模拟了鸟类群体行为的粒子群优化(Particle Swarm Optimization,PSO)算法,由Kennedy和Eberhart于1995年提出。PSO算法自提出以来,由于其计算简单、易于实现、控制参数少等特点,引起了国内外相关领域众多学者的关注和研究。但PSO算法的缺陷也很明显。首先从理论上讲,它不是一个全局收敛算法;其次,算法的速度与位置进化公式使得粒子群的随机性和智能性较低;此外,算法性能对速度上限的依赖使其鲁棒性降低。针对这些缺点,在深入研究群体智能基本特征和人类学习模式进行思考,本文建立了基于量子δ势阱的粒子群模型,提出了量子行为的粒子群优化(Quantum-behaved Particle SwarmOptimization,QPSO)算法,该算法具有全局收敛...  (本文共129页) 本文目录 | 阅读全文>>

西安电子科技大学
西安电子科技大学

聚类分析优化关键技术研究

聚类分析作为数据挖掘的一个重要研究领域,可以有效地帮助我们分析数据的分布、了解数据的特征、确定所感兴趣的数据类,寻找隐藏在数据中的结构,以便作进一步分析和利用。本文针对现有某些聚类算法存在的不足,结合粒子群优化等方法对现有某些聚类算法存在的需要人工设置算法初始参数及提高聚类性能等问题进行了探讨并提出了解决方案。研究了成对约束先验信息如何扩展和指导聚类以提高聚类质量。针对文本数据高维稀疏的特性,对如何提高文本聚类效果进行了研究。本文研究具有一定的理论研究价值与现实的应用意义。具体研究内容包括以下几个方面:1)提出了一种简单有效的粒子编码方法,采用新的粒子编码方法的粒子群优化K均值算法有效地解决了已有粒子群优化聚类算法当样本维数较大及样本各维的取值范围变化较大时,造成粒子群搜索空间过大,在有限次迭代搜索时影响算法的收敛速度和聚类效果,且在搜索过程中样本各维的值在一定范围内变化时可能会取到不符合样本实际情况的数值而出现空簇的情况等问题...  (本文共164页) 本文目录 | 阅读全文>>

江南大学
江南大学

群体智能算法及其在基因表达数据聚类中的应用

群体智能算法是一种新兴的优化计算方法,自20世纪80年代提出以来,引起了众多学科研究者的广泛关注,目前已成为优化技术领域的一个热点研究方向。群体智能算法是基于群体行为对给定的目标进行寻优的启发式搜索算法,其寻优过程体现了随机、并行和分布式的特点。作为群体智能算法中的典型代表,粒子群优化(Particle Swarm Optimization,PSO)算法是由Kennedy和Eberhart在1995年提出的,其基本思想是受他们早期对鸟类群体行为研究结果的启发,并利用了生物学家Frank Heppner的生物群体模型。PSO算法具有计算简单,易于实现、控制参数少等优点,但是却不是一个全局收敛的算法。量子行为粒子群优化(Quantum-behaved Particle Swarm, QPSO)算法是在分析了PSO算法中粒子收敛行为的基础上,从量子力学角度出发,提出的一种全新PSO算法模型,具有控制参数更少,收敛速度快,全局收敛能力强...  (本文共137页) 本文目录 | 阅读全文>>

南京理工大学
南京理工大学

面向建筑物内部环境的移动机器人同时定位与地图构建方法研究与应用

移动机器人导航技术是机器人领域的一个热门研究话题,其主要目的是使机器人在未知环境下能够自主移动到目标位置并完成特定的任务。因此,环境地图的构建和机器人的实时定位是实现自主导航的基础,这就是机器人同时定位与地图构建(SLAM)技术。本文主要研究室内环境中基于激光雷达的移动机器人同时定位与地图构建问题,重点研究基于Rao-Blackwellized粒子滤波器的RBPF-SLAM方法。针对传统的RBPF-SLAM方法中存在的粒子退化及扫描匹配准确度不高等问题,提出了几种改进措施并进行了实验验证。首先我们设计了一个机器人平台系统,并在这个平台基础上构建了统一的机器人系统模型用于实验研究。针对常规全局扫描匹配准确度较低的问题,提出了一种基于特征点的扫描匹配方法。首先将所有雷达数据点划分为若干个特征路标段,然后在每一个特征段中基于密度和距离信息提取特征点。在扫描匹配中更加重视特征点的作用,对特征点赋予更高的匹配得分权重。最后将基于特征点的扫...  (本文共76页) 本文目录 | 阅读全文>>

北京邮电大学
北京邮电大学

元启发式优化算法理论与应用研究

科学技术日益表现出交叉和渗透的特征,特别是计算机科学技术改变了人类生产与生活方式。然而,现有计算机的计算能力并非无所不能,它在某些具有不确定性、动态性、非线形或多态(Multi-modal)问题上常常不能满足人们的要求,因此人们对于高效计算技术的探索从未停止。近50年来元启发式优化算法得到了广泛研究,如遗传算法、模拟退火等,这类算法均通过模拟自然现象(Nature-Inspired)为解决复杂问题提供了新的思路和手段。本论文中主要介绍了两大类元启发式优化算法,第一类是群体智能(Swarm Intelligence)算法,包括蚁群优化(Ant Colony Optimization)和粒子群优化(Particle Swarm Optimization)两种算法,这两种都是基于种群策略的仿生算法;第二类是微正则退火(Microcanonocal Annealing)算法,它是来自于对物理学的借鉴。本文中主要通过仿真手段,研究了这两类...  (本文共145页) 本文目录 | 阅读全文>>