本書以群智能優化算法中的粒子群優化（ParticleSwarmOptimization，PSO）算法為主線，著重闡述了PSO算法的基本原理、改進策略，從解空間設計、粒子編碼以及求解流程等方面進行了詳細設計與闡述。
上傳時間： 2015-03-14
上傳用戶：wd450725076
這是力氣群算法解決實際問題，與布谷鳥算法做了一個 比較，看著還行
上傳時間： 2018-06-02
上傳用戶：batcoder
IIR數字濾波器是沖激響應為無限長的一類數字濾波器，是電子、通信及信號處理領域的重要研究內容，國內外學者對IIR數字濾波器的優化設計進行了大量研究。其中，進化算法優化設計IIR數字濾波器雖然取得了一定的效果，但是其也有自身的一些不足；另外，基于粒子群算法以及人工魚群算法的IIR數字濾波器優化設計也取得了較好的效果。但這些方法都是將多目標優化問題轉化為單目標優化問題，這種方法是將每個目標賦一個權值，然后將這些賦了權值的目標相加，把相加的結果作為目標函數，在此基礎上尋找目標函數的最小值，這樣做造成的問題是可能將其中的任何一種滿足目標函數值最小的情況作為最優解，但實際上得到的不一定是最優解。也就是說，單目標的方法難以區分哪一種情況為最優解，這樣的尋優模型從理論上來說是難以得到最優解的。另外，在將多目標轉化為單目標時，各個目標的權值難以確定，而且最終只能得到唯一解。針對這些問題，本文在研究傳統遺傳算法、進化規劃算法以及量子遺傳算法的IIR數字濾波器優化設計的基礎上，將重點研究IIR數字濾波器的粒子進化規劃優化、遺傳多目標優化以及量子多目標優化。另外，由于在通信系統中IIR數字濾波器有廣泛應用，并且大量采用FPGA實現，多目標優化方法得到的濾波器性能也值得驗證，因此，對多目標優化方法得到的IIR數字濾波器系數進行FPGA仿真驗證有重要的現實意義。 @@ 論文的主要工作及研究成果具體如下： @@ 1.分析IIR數字濾波器的數學模型及其優化設計的參數；針對低通IIR數字濾波器，采用遺傳算法及量子遺傳算法對其進行優化設計，并給出相應的仿真結果及分析。 @@ 2.針對使用進化規劃算法優化設計IIR數字濾波器時容易陷入局部極值的問題，研究粒子進化規劃算法，并將其應用于IIR數字濾波器的優化設計，該算法將粒子群優化算法與進化規劃算法相結合，繼承了粒子群算法局部搜索能力強和進化規劃算法遺傳父代優良基因能力強的優點。將這種新的粒子進化規劃算法應用于IIR低通、高通、帶通、帶阻數字濾波器的優化設計，顯示了較好的效果。 @@ 3.優化設計IIR數字濾波器時，通常將多目標轉化為單目標的優化問題，這種方法雖然設計簡單，但是在將多目標轉化為單目標時，各個目標的權值難以確定，而且最終只能得到唯一解，不能提供更多的有效解給決策者。針對常 用基于單目標優化算法的不足，在分析IIR數字濾波器優化模型和待優化參數的基礎上，本文研究遺傳算法的IIR數字濾波器多目標優化設計方法，該方法將多個目標值直接映射到適應度函數中，通過比較函數值的占優關系來搜索問題的有效解集，使用這種方法可以求得一組有效解，并且將多目標轉化為單目標的優化方法得到的唯一解也能被包括在這一組有效解中。@@ 4.將量子遺傳算法應用于IIR數字濾波器多目標優化設計，研究量子遺傳算法的IIR數字濾波器多目標優化設計方法，并將優化結果與傳統遺傳算法的多目標優化方法進行了比較。仿真結果表明，在對同一種濾波器進行優化設計時，使用該方法得到的結果通帶波動更小，過渡帶更窄，阻帶衰減也更大。 @@ 5.針對IIR數字濾波器的硬件實現問題，在對IIR數字濾波器的結構特征進行分析的基礎上，分別采用遺傳多目標優化方法量子多目標方法優化設計IIR數字濾波器的系數，然后針對兩組系數進行了FPGA( Field-Programmable GateArray，現場可編程門陣列)仿真驗證，并對兩種結果進行了對比分析。 @@關鍵詞：IIR數字濾波器；優化設計
上傳時間： 2013-06-09
上傳用戶：熊少鋒
提出了基于雜交粒子群優化算法的分布式可再生能源并網的無功優化算法，從網損和靜態電壓穩定裕度兩個角度出發，構建了含分布式發電系統的配電網無功優化的數學模型。在美國PG＆E 69節點配電系統上進行效驗。結果表明，該算法收斂性好、精度高；分布式電源并網后能有效降低系統的有功網損，提高電壓穩定性，對分布式電源并網運行具有一定的參考價值。
上傳時間： 2014-12-24
上傳用戶：playboys0
針對傳統PID控制系統參數整定過程存在的在線整定困難和控制品質不理想等問題，結合BP神經網絡自學習和自適應能力強等特點，提出采用BP神經網絡優化PID控制器參數。其次，為了加快BP神經網絡學習收斂速度，防止其陷入局部極小點，提出采用粒子群優化算法來優化BP神經網絡的連接權值矩陣。最后，給出了PSO-BP算法整定優化PID控制器參數的詳細步驟和流程圖，并通過一個PID控制系統的仿真實例來驗證本文所提算法的有效性。仿真結果證明了本文所提方法在控制品質方面優于其它三種常規整定方法。
上傳時間： 2014-03-21
上傳用戶：diets
提出了一個自適應量子粒子群優化算法，用于訓練RBF網絡的基函數中心和寬度，并結合最小二乘法計算網絡權值，對RBF網絡的泛化能力進行改進并用于特征選擇。實驗結果表明，采用自適應量子粒子群優化算法獲得的RBF網絡模型不但具有很強的泛化能力，而且具有良好的穩定性，能夠選擇出較優秀的特征子集。
上傳時間： 2013-11-16
上傳用戶：erkuizhang
提出一種基于自適應混沌粒子群優化和支持向量機結合的非線性預測建模算法（ACPSO-SVR），引入ACPSO啟發式尋優機制對SVR模型的超參數進行自動選取，在超參數取值范圍變化較大的情況下，效果明顯優于網格式搜索算法。選取UCI機器學習數據庫中的Forest fires標準數據集進行測試，實驗結果表明該方法具有較高的精度和良好的泛化能力，對于解決多變量的回歸預測問題是一種有效的方法。最后給出了混合算法在碳一多相催化領域的兩種典型應用，在反應動力學模型未知的情況下建立催化劑組份模型和操作條件模型，以及基于混合算法的最優催化劑設計框架。
上傳時間： 2013-10-23
上傳用戶：alibabamama
針對函數優化問題，提出了一種基于離差平方和法的粒子群優化算法。該算法用混沌序列初始化粒子的位置和速度，選擇好于粒子群優化算法產生的粒子位置。通過離差平方和法進行聚類，利用分類方式來更新粒子的速度。最后將算法應用到3個典型的函數優化問題中，數值結果比較表明，提高了算法搜索能力，全局最優解的精度和收斂速度。
上傳時間： 2013-11-14
上傳用戶：hxy200501
//開發平臺：Microsoft .NET Framework 2.0，Microsoft Visual C# 2005 Express //日期：2005.3.12 //作者：劉波 //粒子群優化算法(PSO)：本算法求目標函數的最小值
標簽： Microsoft Framework 2.0 NET
上傳時間： 2015-03-15
上傳用戶：yyyyyyyyyy
用JAVA語言編寫，包括PSO（Particle swarm optimization, 中文譯名為粒子群優化或微粒群算法), DE (Differential evolution, 中文譯名為差分進化或差異演化)等算法，有一些不帶約束和帶約束的算例（如Michelawicz的幾個問題）。使用說明見usage.txt、RUNExample.bat和程序中的注釋。
上傳時間： 2014-01-06
上傳用戶：agent
