导读:本文包含了粒子群优化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:粒子,算法,子群,子粒,自适应,函数,高斯。
粒子群优化论文文献综述
朱德刚,洪建,张洁[1]（2019）在《基于反向学习和高斯扰动的粒子群优化算法》一文中研究指出针对标准粒子群优化算法(Particle Swarm Optimization,PSO)收敛速度慢,易陷入局部最优的问题,提出一种基于反向学习和高斯扰动的粒子群优化算法。算法在粒子"自我学习"基础上,随机选择种群中任意粒子的反向位置,对当前粒子进行反向学习,增加种群多样性。算法在进化过程中,还对全局最优位置进行高斯扰动,防止算法陷入局部最优。实验表明,相比较传统知名算法如FIPS、HPSO-TVAC、DMS-PSO、CLPSO、APSO等。论文算法在30维和100维测试函数上,无论是收敛精度,还是收敛速度,均具有明显的优势。(本文来源于《计算机与数字工程》期刊2019年12期）
王晖[2]（2019）在《粒子群优化算法的参数调整策略研究》一文中研究指出在粒子群优化算法中,对参数的调整会直接影响算法的收敛性、精确性和稳定性。为此,采用线性和非线性2种调整惯性权重策略,设置了3种调整方案,探索惯性权重调整对算法的影响。以Griewank、Rosenbrock等5个函数作为基准测试函数的仿真结果表明:Rosenbrock函数和Rastrigin函数收敛率低,且平均最优解与最优点存在很大偏差;Rosenbrock函数和Rastrigin函数时,在典型的线性递减策略中性能较差;在处理多峰函数问题时,取大值可提升算法的性能。(本文来源于《新乡学院学报》期刊2019年12期）
杨昌熙,张着洪[3]（2019）在《基于粒子群优化的车牌识别算法研究》一文中研究指出针对环境噪声严重影响车牌的识别问题,基于字符特征向量和粒子群优化设计一种车牌识别算法。借助垂直投影法、自适应阈值方案、方向梯度直方图法等,对车牌字符进行分割和提取字符的特征向量。依据字符特征向量样本和支持向量机建立字符识别准确率模型,并基于粒子群优化算法建立求解该模型的车牌识别算法。比较性的数值实验显示,该算法能有效提升车牌识别的准确率,且字符特征向量对车牌识别有极大影响。(本文来源于《贵州大学学报(自然科学版)》期刊2019年06期）
郑日升,张春林[4]（2019）在《粒子群优化算法对吸波结构材料优化研究》一文中研究指出采用粒子群优化(particle swarm optimization,PSO)算法对3层Jaumann吸波结构隐身材料进行优化设计,重点以2～18 GHz范围内的材料反射率T <-15 d B频率带宽为优化目标。比较了粒子群优化算法和遗传算法在反射率T <-10 dB和T <-20 dB条件下的频率带宽,发现粒子群优化算法具有较好的频率带宽,并得到了相应的介电常数,隔离层厚度及电阻抗的值。在反射率T <-15 dB条件下,粒子群优化算法得到的反射率总和比遗传算法少约2 dB。结果表明,采用粒子群优化算法对叁层Jaumann吸波结构材料反射率频宽具有较好的优化效果。(本文来源于《现代防御技术》期刊2019年06期）
辛伟瑶,李剑,韩焱,李禹剑[5]（2019）在《基于自适应粒子群优化算法的地下震源定位方法》一文中研究指出在地下震动目标定位领域中,定位模型是实现高精度定位的关键,但是由于地下空间的介质分布散乱,结构复杂,群波混迭现象较为严重,导致特征参量提取难度大,且震动数量较少,单次震动数据有限,造成传统的走时定位模型在地下空间微震定位区域中精确度不高.针对上述问题,本文通过结合浅层走时信息以及深层偏振信息,并在传统粒子群算法的基础上改进种群策略,引入交叉变异机制,利用其收敛速度快,定位精度高等优点,提出了一种基于走时-偏振混合定位模型的地下震源高精度定位方法.进行试验仿真,结果表明:通过种群改进以及交叉变异的PSO算法,解算混合定位模型时,能在一定程度有效地提高算法的全局收敛性,并验证了该算法的准确性,可有效提高微震定位的精确度.(本文来源于《计算机系统应用》期刊2019年12期）
符保龙[6]（2019）在《基于量子粒子群优化CS算法的QoS组播路由模型》一文中研究指出针对布谷鸟算法在解决QoS组播路由问题收敛速度慢,特别是接近最优解时,算法搜索效率低的问题,引入量子粒子群算法用于布谷鸟算法的位置寻优过程。仿真实验结果表明,经过改进的布谷鸟算法具有良好的运行速度和收敛性,能有效解决QoS组播路由问题,对于求解QoS多目标路由组播问题具有较好的效果。(本文来源于《柳州职业技术学院学报》期刊2019年05期）
王宝华,单馨[7]（2019）在《抑制双馈风电场次同步振荡的粒子群优化附加阻尼控制器设计》一文中研究指出含双馈风电机组(DFIG)的风电场经串联电容补偿线路并网可能会引发次同步振荡,为了提高该系统的稳定性,在复转矩系数法分析的基础上,该文设计了采用粒子群优化策略的附加阻尼控制器来抑制振荡的发生。该控制器以转子转速偏差为输入信号,经增益移相等环节后加入转子变流器的外环中,采用电气阻尼最低点的频率和需要补偿的角度计算附加阻尼控制器移相环节的时间常数,然后采用粒子群寻优算法对控制器的时间常数和增益实现优化。结果表明,基于粒子群优化后的附加阻尼控制器可以更好地补偿系统的电气阻尼,有效地抑制双馈风力发电场的次同步振荡,使风力发电系统的稳定性得到改善,同时克服了传统阻尼控制器只对单一工况有效的缺点,增强了系统的自适应性。(本文来源于《南京理工大学学报》期刊2019年05期）
曹文梁,康岚兰[8]（2019）在《高斯过程回归超参数自适应选择粒子群优化算法》一文中研究指出超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。(本文来源于《合肥工业大学学报(自然科学版)》期刊2019年11期）
余大为,周海鹏,孙敏,李旸,张恩宝[9]（2019）在《基于正态云模型的自适应量子粒子群优化算法》一文中研究指出基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法(QPSO)进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法(CMAQPSO).该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.(本文来源于《吉首大学学报(自然科学版)》期刊2019年06期）
胡经伟,陈志华,柯强[10]（2019）在《基于粒子群优化算法的电压无功功率优化》一文中研究指出发电厂电压的稳定性是衡量电能质量的重要指标,电压的稳定性受无功功率影响。为了控制无功功率,提出了一种通过控制投切电容器的数量以优化无功功率的粒子群算法。(本文来源于《自动化应用》期刊2019年11期）
粒子群优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在粒子群优化算法中,对参数的调整会直接影响算法的收敛性、精确性和稳定性。为此,采用线性和非线性2种调整惯性权重策略,设置了3种调整方案,探索惯性权重调整对算法的影响。以Griewank、Rosenbrock等5个函数作为基准测试函数的仿真结果表明:Rosenbrock函数和Rastrigin函数收敛率低,且平均最优解与最优点存在很大偏差;Rosenbrock函数和Rastrigin函数时,在典型的线性递减策略中性能较差;在处理多峰函数问题时,取大值可提升算法的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子群优化论文参考文献
[1].朱德刚,洪建,张洁.基于反向学习和高斯扰动的粒子群优化算法[J].计算机与数字工程.2019
[2].王晖.粒子群优化算法的参数调整策略研究[J].新乡学院学报.2019
[3].杨昌熙,张着洪.基于粒子群优化的车牌识别算法研究[J].贵州大学学报(自然科学版).2019
[4].郑日升,张春林.粒子群优化算法对吸波结构材料优化研究[J].现代防御技术.2019
[5].辛伟瑶,李剑,韩焱,李禹剑.基于自适应粒子群优化算法的地下震源定位方法[J].计算机系统应用.2019
[6].符保龙.基于量子粒子群优化CS算法的QoS组播路由模型[J].柳州职业技术学院学报.2019
[7].王宝华,单馨.抑制双馈风电场次同步振荡的粒子群优化附加阻尼控制器设计[J].南京理工大学学报.2019
[8].曹文梁,康岚兰.高斯过程回归超参数自适应选择粒子群优化算法[J].合肥工业大学学报(自然科学版).2019
[9].余大为,周海鹏,孙敏,李旸,张恩宝.基于正态云模型的自适应量子粒子群优化算法[J].吉首大学学报(自然科学版).2019
[10].胡经伟,陈志华,柯强.基于粒子群优化算法的电压无功功率优化[J].自动化应用.2019
论文知识图
