导读:本文包含了混合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:算法,粒子,函数,鸽群,舱室,蜂群,鱼群。
混合优化算法论文文献综述
罗云,唐丽晴[1](2019)在《粒子群蚁群混合优化算法在船舶机舱布局优化上的应用》一文中研究指出船舶舱室布局优化有助于充分提高其空间利用率。机舱是船舶中最重要的舱室,其布局优化要考虑其多种设备之间、设备与舱室之间的复杂的协调关系,因而不易优化。为了更好地解决船舶机舱布局优化问题,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化算法并应用于一个具体的船舶机舱布局优化的实际算例中。其仿真结果表明,改进算法具有一定的计算优势,在相同条件下能够寻到更精确的解。(本文来源于《舰船电子工程》期刊2019年10期)
杨欣东,李国勇[2](2019)在《基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解》一文中研究指出为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。(本文来源于《科学技术与工程》期刊2019年25期)
马晗,常安定,陈童,李江杰[3](2019)在《基于文化混合优化算法的旅行商问题求解》一文中研究指出为更好地求解TSP问题,将遗传算法与模拟退火算法结合并纳入文化算法体系,提出一种求解旅行商问题的文化混合优化算法。该算法空间可分为独立并行的两部分:种群空间和信度空间。种群空间按照遗传退火混合算法实现进化,并将进化中的较优个体提供给信度空间,信度空间提取并利用较优个体所包含的信息来引导种群进化。通过求解TSP标准测试问题,将文化混合优化算法所求得的最优路径与其他优化算法所求结果相比,算法偏差均可降低0.6%~13.01%,表明了文化混合优化算法求解TSP问题的有效性与优越性。(本文来源于《计算机工程与科学》期刊2019年07期)
温泰,赵志刚,莫海淼[4](2019)在《具有协同寻优的蝙蝠萤火虫混合优化算法》一文中研究指出萤火虫算法存在着对于初始解分布的依赖性、后期收敛速度慢、易于停滞、早熟和求解精度低等缺陷。本研究在萤火虫算法引入蝙蝠种群在全局最优附近进行更加详细的局部搜索,以协助萤火虫种群进行寻优;并在寻优过程中加强蝙蝠种群与萤火虫种群的信息交互,协调寻优;最后对全局最优个体进行高斯扰动以增加种群的多样性,从而避免种群陷入局部最优解。通过使用6个常见的基准测试函数对该算法进行测试,并与其他3种算法(标准粒子群算法、蝙蝠算法、萤火虫算法)进行对比实验,结果表明该混合算法的总体性能优于其他3种算法。引入蝙蝠种群对萤火虫性能有较大提升,改善切实有效。(本文来源于《广西科学院学报》期刊2019年02期)
王燕,曹建芳,李艳飞[5](2019)在《融合混合优化组合的大规模场景图像分类算法》一文中研究指出图像获取设备的普及和网络技术的发展导致数字图像迅速增长,面对海量图像,传统的单节点架构的分类算法性能急剧下降。针对上述问题,以场景图像为研究对象,提出了一种集群环境下的融合混合优化和组合技术的大规模图像分类方法。将ABC算法和PSO算法优化后的SVM作为弱分类器,由Adaboost算法组合弱分类器输出构建强分类器;利用Hadoop平台下的MapReduce并行编程模型对算法进行并行化设计,提出P-Adaboost-(ABC-PSO-SVM)算法,构造了大规模场景图像的自动分类模型。多组对比实验表明,相对于传统的单机平台下的分类算法,当图像数量达到50 000时,该算法在SUN Database场景图像库上的平均分类准确率达87.6%,训练耗时仅为98 s。实验结果充分说明,该算法适合大规模场景图像的自动分类预测。(本文来源于《计算机技术与发展》期刊2019年09期)
张怡然[6](2019)在《新能源汽车传动系统混合优化算法的研究》一文中研究指出本文提出了一种针对多模式插电混合动力汽车动力总成参数和能量管理策略同时优化的方法。该问题存在的研究难点和挑战在于,混合动力汽车的能量管理策略和动力总成参数高度耦合;复杂的动力总成构型无疑更增加了该问题的难度;且现有的优化方法依赖于速度工况,而实际车速充满不确定性。基于对现有动力总成构型的分析,建立了对应该构型的整车仿真模型,其中包含了自适应的模糊PID驾驶员和自适应换挡策略,并通过商业软件Cruise进行了模型精确性验证。考虑该多模式混合动力汽车的模式的复杂性和多样性,为选择一种合适的逻辑门能量管理策略用于同混合优化算法的对比,并连同考虑驾驶员的舒适性,驾驶模式,提出了模式边距求解算法,并利用此算法对最可能的两种能量管理策略进行混合多目标优化。为了同时得到最佳动力总成参数以及其对应的能量管理策略,提出了混合解耦优化算法,算法外层利用粒子群算法优化动力总成参数,算法内层为一个两层控制器:控制器第一层通过连续域下的蚁群算法得到次优的能量管理策略;第二层用于最终确定扭矩分配和挡位选择。最后,提出了优化结果的两个可能的应用,将优化结果实时化:基于支持向量机的逻辑门规则优化与基于神经网络的多层次控制模型。并为了解决速度预测问题,提出了基于驾驶员肌肉电(EMG)信号的混合预测方法。结果表明混合优化算法能很好的挖掘混合动力汽车的潜力并同时能保证其可优化结果的实用性。(本文来源于《合肥工业大学》期刊2019-04-01)
邹德龙,王宝华[7](2019)在《一种混合优化算法面向高维函数优化的研究》一文中研究指出基本粒子群算法(PSO)在面对高维多极值函数优化的问题时粒子容易快速集中到最优粒子附近,导致粒子运动能力丧失,种群陷入停滞,因此寻优效果并不理想。针对这种情况,通过引入人工鱼群算法(AFSA)中的聚群和觅食行为与粒子群算法相结合形成一种新的混合优化算法来解决这些问题。最终通过仿真实验证明该混合优化算法在面对高维函数的优化问题上具有优秀的寻优能力。(本文来源于《计算机工程与应用》期刊2019年20期)
顾清华,孟倩倩[8](2019)在《优化复杂函数的粒子群-鸽群混合优化算法》一文中研究指出针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。(本文来源于《计算机工程与应用》期刊2019年22期)
凌寒羽,衣晓,王培元,杨卫国[9](2019)在《基于混合优化的自适应加速稳健PnP算法》一文中研究指出根据目前摄像机位姿估计应用的实时性要求,针对RPnP算法在利用最小二乘误差求解时无法得到唯一解的问题,提出了一种改进自适应加速RPnP算法。在计算误差最小二乘时加入更多的限制条件,确定了输出解的唯一性;随后计算对应的摄像机外参数,代替每个极小值重投影误差的计算和比较过程,节省了大量位姿求解的时间;最后自适应地将原算法和改进后的算法相结合,使得输出结果最优化。实验证明,该方法可以大大降低算法的时间复杂度,并且运行时间受点数影响极小,可以较好地应用于实时性要求高的场景。(本文来源于《电光与控制》期刊2019年06期)
张新明,王霞,康强,程金凤[10](2018)在《GWO与ABC的混合优化算法及其聚类优化》一文中研究指出灰狼优化算法(Grey Wolf Optimizer,GWO)和人工蜂群算法(Artificial Bee Colony,ABC)是两种流行且高效的群智能优化算法. GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法(Hybrid GWO with ABC,HGWOA).首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.(本文来源于《电子学报》期刊2018年10期)
混合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:
为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。
(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。
混合优化算法论文参考文献
[1].罗云,唐丽晴.粒子群蚁群混合优化算法在船舶机舱布局优化上的应用[J].舰船电子工程.2019
[2].杨欣东,李国勇.基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解[J].科学技术与工程.2019
[3].马晗,常安定,陈童,李江杰.基于文化混合优化算法的旅行商问题求解[J].计算机工程与科学.2019
[4].温泰,赵志刚,莫海淼.具有协同寻优的蝙蝠萤火虫混合优化算法[J].广西科学院学报.2019
[5].王燕,曹建芳,李艳飞.融合混合优化组合的大规模场景图像分类算法[J].计算机技术与发展.2019
[6].张怡然.新能源汽车传动系统混合优化算法的研究[D].合肥工业大学.2019
[7].邹德龙,王宝华.一种混合优化算法面向高维函数优化的研究[J].计算机工程与应用.2019
[8].顾清华,孟倩倩.优化复杂函数的粒子群-鸽群混合优化算法[J].计算机工程与应用.2019
[9].凌寒羽,衣晓,王培元,杨卫国.基于混合优化的自适应加速稳健PnP算法[J].电光与控制.2019
[10].张新明,王霞,康强,程金凤.GWO与ABC的混合优化算法及其聚类优化[J].电子学报.2018