导读:本文包含了离散粒子群优化算法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,分配,子群,子粒,路径,目标。
离散粒子群优化算法论文文献综述
郭文忠,陈晓华,刘耿耿,陈国龙[1]（2019）在《基于混合离散粒子群优化的轨道分配算法》一文中研究指出现有的轨道分配工作大多忽略局部线网问题,并且容易陷入局部极值.为此,文中基于离散粒子群优化、遗传操作和基于协商的精炼策略,综合考虑局部线网、重迭冲突、线长和障碍物,提出轨道分配算法.算法抽象局部线网,构建对应的线段模型.为了扩大种群多样性,混合遗传操作以提高全局搜索效率.同时,设计简单高效的适应度函数.最后,使用基于协商的精炼策略进一步减少线段重迭.实验表明文中算法的有效性,该算法可以获得较佳的重迭代价指标优化值,减少关键布线区域的拥挤情况.(本文来源于《模式识别与人工智能》期刊2019年08期）
钱真坤[2]（2019）在《基于离散粒子群优化算法的含权旅行商问题新解法》一文中研究指出考虑现有旅行商问题常忽略车辆载重对运输费用的影响,建立含权旅行商问题模型。在分析含权旅行商问题性质的基础上,提出离散粒子群优化算法求解含权旅行商问题。重新定义问题域的粒子速度、粒子位置等运算规则,引入惯性系数线性下降策略。实验表明,该算法可以有效用于含权旅行商问题的求解,并且对含权旅行商问题的求解性能优于遗传算法和模拟退火算法。(本文来源于《计算机应用与软件》期刊2019年01期）
喻明让,陈云,张志刚[3]（2019）在《离散粒子群优化算法求解多目标柔性作业车间调度问题》一文中研究指出对多目标柔性作业车间调度优化问题进行研究,提出了一种基于Pareto档案的离散粒子群优化算法。在该算法中,种群中的粒子通过与其自身历史最优位置(pbest)以及种群全局最优位置(gbest)的交叉实现粒子位置的更新。对于多目标优化问题来说,一次迭代可能产生多个gbest,引入一个Pareto档案用于保存迭代产生的优秀个体。并将Pareto档案维护与gbest选择同时进行以确保Pareto档案中的个体必然为一些粒子的gbest。进而将变异操作引入到粒子群算法以增强其局部搜索能力。最后,将该算法应用于几个典型实例,并通过与几种已有算法的对比验证了其有效性。(本文来源于《制造技术与机床》期刊2019年01期）
李安颖,陈群,宋荷[4]（2018）在《离散粒子群优化算法实现MapReduce负载平衡》一文中研究指出MapReduce是Hadoop的核心模型之一,广泛应用于大数据处理。MapReduce模型将计算分为Map和Reduce两个处理阶段。但由于其自身的分区机制,导致在Reduce阶段处理数据时,会出现负载不平衡的数据倾斜问题。为了解决数据倾斜问题,提出利用离散粒子群算法解决Reduce阶段数据负载平衡问题。将数据分区策略与粒子群算法相结合,提高系统的稳定性。通过设置使数据分区均衡的目标函数,利用离散粒子群算法求解目标函数。试验结果证明,当设置不同数量的Reduce时,离散粒子群分区方式的运行时间均为最短,可有效解决数据分区的不平衡问题,并大大提升系统的计算效率。(本文来源于《自动化仪表》期刊2018年12期）
刘琨,潘翔宇[5]（2018）在《基于离散映射的量子粒子群优化算法求解WTA问题》一文中研究指出针对武器目标分配(WTA)问题及其特点,提出一种基于离散映射的量子粒子群优化算法。通过武器系统对目标攻击过程中得到的毁伤收益建立了目标分配模型,提出一种基于离散映射的编码调整方式,将连续型粒子位置矢量投影至离散空间上,避免产生不满足模型约束条件的非法解,从而提高粒子利用率。通过仿真对比验证,论文算法具有较高的收敛速度与稳定性,表明该方法能有效求解WTA问题。(本文来源于《航空兵器》期刊2018年03期）
孔令荣,王昊,殷慧婷,李冰[6]（2018）在《离散二进制粒子群优化的频谱分配算法研究》一文中研究指出随着无线通信技术在各领域的广泛应用,通信设备对频谱资源的需求程度不断提高。频谱资源的稀缺问题已经成为制约无线通信技术进一步发展的关键因素。利用图论模型,得到可用频谱矩阵、网络效益矩阵、频谱干扰矩阵以及分配矩阵,并将频谱分配问题转换为网络效益与分配矩阵寻优问题。借助离散二进制粒子算法,以网络效益、最大比例公平网络效益为目标函数,寻找最优分配矩阵。寻优过程中,为解决传统离散二进制粒子算法易陷入局部最优的问题,采用线性减少惯性权重因子,平衡局部和全局关系,提高寻优精度。试验表明:与遗传算法、敏感图着色法相比,基于离散二进制粒子群算法可取得更高的网络效益和最大比例公平网络效益。(本文来源于《自动化仪表》期刊2018年06期）
祁晓峰,张兴明,高彦钊[7]（2018）在《基于离散粒子群优化的可重构系统任务调度算法》一文中研究指出在可重构系统任务调度过程中,配置预取可以有效隐藏任务的配置时间从而提高系统执行性能.然而调度算法需要额外的任务配置策略,这不但增加调度问题的复杂度,而且导致算法时间开销大,影响系统的实时性.为解决该问题,提出一种带有预生成策略的离散粒子群优化算法应用于任务调度问题中.首先,描述可重构系统任务调度问题模型,将该问题转化为最优化问题求解;其次,设计调度方案的编解码形式,将离散粒子群优化策略应用于调度问题中;最后,提出预生成策略提高算法的可靠性和收敛速度.实验结果相比自适应蚁群算法和混合遗传算法,求解质量分别提高13.2%和32.3%.该算法生成的调度方案能够满足系统要求,并有效提高调度方案质量.(本文来源于《小型微型计算机系统》期刊2018年03期）
卜登立[8]（2018）在《基于全离散粒子群优化的纳电子MPRM电路面积优化算法》一文中研究指出针对具有较多输入数的可编程阵列结构纳电子混合极性Reed-Muller电路的面积优化问题,提出一种全离散粒子群优化算法。通过将粒子速度合并到位置更新方程,充分挖掘粒子群优化中的学习因素得到全离散化的粒子更新方程,在此基础之上设计FDPSO算法,并使用探索概率作为算法参数控制算法全局探索与局部开拓间的平衡。对一组输入数大于20的MCNC电路进行优化的实验结果表明,与其他能够用于可编程阵列结构纳电子混合极性Reed-Muller电路面积优化的智能算法相比,全离散粒子群优化算法具有较强的全局收敛能力和结果稳定性,能够以较高时间效率获得较好的优化结果。(本文来源于《现代电子技术》期刊2018年04期）
秦晓雷[9]（2017）在《基于并行离散粒子群优化算法的网络社区检测》一文中研究指出现实世界中的大多数系统都可以用复杂网络的形式来表示,而复杂网络的社区检测也被应用于各个领域。大量学者提出了解决复杂网络社区检测问题的算法。常情况下社区检测问题会被建模成一个优化问题,通过优化社区划分指标来发现社区。随着互联网的发展,近些年火热的社交网络,在线购物以及物联网等产生了海量的数据需要分析。大规模真实网络对于传统社区检测算法,无论在社区划分结果还是运行时间乃至于运算平台的内存容量都是一个巨大的挑战。因此对于大规模网络社区检测问题的研究显得十分有意义,同时一个高效的能够解决大规模网络社区检测的算法的提出变得十分重要。依托于现阶段大数据技术的发展,在本文中我们将提出一种解决大规模复杂网络问题的思路,主要内容如下:(1)基于Spark分布式计算平台提出一种并行的离散粒子群优化算法。依托现有的分布式计算技术,将传统的粒子群优化算法与之相结合,在Spark平台实现粒子群优化算法。利用粒子群优化算法粒子之间交互少,适合并行的特点与Spark平台相结合;采用直接编码的方式设计种群,并利用Spark平台的弹性分布式数据集,使得整个粒子群优化算法在粒子更新迭代过程中能够并行的处理。利用分布式平台的广播变量,将表示网络的邻接矩阵在多台服务器之间共享。通过集群并行化求解目标函数的方式相较于单机环境能够大大加快算法的运行速度。(2)基于分布式平台的图计算框架,提出了基于消息聚合的离散粒子群优化算法用于解决大规模网络社区检测问题。首先将大规模网络结构以分布式图的形式存储于分布式文件系统中,这解决了单机环境中由于内存瓶颈无法处理大规模网络的问题。其次将复杂网络社区检测问题建模成优化问题,以模块密度为优化目标。通过将模块密度从基于邻接矩阵的求解转换为基于消息聚合的求解方式。在网络节点的邻居之间并行的传递社区划分状态,通过统计每一个节点与邻居之间社区划分的差异来求解模块密度。一方面解决了内存瓶颈问题,当需要处理大规模网络的时候可以通过横向扩展集群来增加对网络的处理能力;另一方面利用分布式图的计算加快了算法执行的速度。为了证明算法的有效性,我们将算法应用于基准网络和小规模真实世界的网络。同时将结果与其他主流的社区检测算法做了对比,结果显示了本算法的有效性。与此同时,我们还在大规模网络上测试了本算法。实验结果证明了我们所提出的算法是有效的并且适合于大规模网络社区检测问题。(本文来源于《西安电子科技大学》期刊2017-06-01）
周蓉,沈维蕾[10]（2016）在《软硬时间窗共存装卸一体化车辆路径问题的混合离散粒子群优化算法》一文中研究指出文章针对软硬时间窗共存装卸一体化车辆路径问题(vehicle routing problem with simultaneous delivery and pickup under coexistence of soft and hard time windows,VRPSDPCSHTW)建立了包含车辆固定出行成本、运输成本和惩罚成本的数学模型,提出了一种混合离散粒子群优化算法。针对基本离散粒子群算法容易早熟收敛而陷入局部最优等问题,内嵌一种变邻域下降局域搜索方法,并在一定概率下执行以加强种群搜索能力,最后通过3个算例的仿真分析进行了算法验证。(本文来源于《合肥工业大学学报(自然科学版)》期刊2016年08期）
离散粒子群优化算法论文开题报告
（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：
考虑现有旅行商问题常忽略车辆载重对运输费用的影响,建立含权旅行商问题模型。在分析含权旅行商问题性质的基础上,提出离散粒子群优化算法求解含权旅行商问题。重新定义问题域的粒子速度、粒子位置等运算规则,引入惯性系数线性下降策略。实验表明,该算法可以有效用于含权旅行商问题的求解,并且对含权旅行商问题的求解性能优于遗传算法和模拟退火算法。
（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。
离散粒子群优化算法论文参考文献
[1].郭文忠,陈晓华,刘耿耿,陈国龙.基于混合离散粒子群优化的轨道分配算法[J].模式识别与人工智能.2019
[2].钱真坤.基于离散粒子群优化算法的含权旅行商问题新解法[J].计算机应用与软件.2019
[3].喻明让,陈云,张志刚.离散粒子群优化算法求解多目标柔性作业车间调度问题[J].制造技术与机床.2019
[4].李安颖,陈群,宋荷.离散粒子群优化算法实现MapReduce负载平衡[J].自动化仪表.2018
[5].刘琨,潘翔宇.基于离散映射的量子粒子群优化算法求解WTA问题[J].航空兵器.2018
[6].孔令荣,王昊,殷慧婷,李冰.离散二进制粒子群优化的频谱分配算法研究[J].自动化仪表.2018
[7].祁晓峰,张兴明,高彦钊.基于离散粒子群优化的可重构系统任务调度算法[J].小型微型计算机系统.2018
[8].卜登立.基于全离散粒子群优化的纳电子MPRM电路面积优化算法[J].现代电子技术.2018
[9].秦晓雷.基于并行离散粒子群优化算法的网络社区检测[D].西安电子科技大学.2017
[10].周蓉,沈维蕾.软硬时间窗共存装卸一体化车辆路径问题的混合离散粒子群优化算法[J].合肥工业大学学报(自然科学版).2016
论文知识图
