摘要-多目标优化方法对于解决实际问题至关重要。 提出了一种用于多目标优化问题的人工蜂群算法。 在该算法中，首先选择具有较少主导解决方案和更大拥挤距离的解决方案进入下一代，以较高的概率并以自我形容步骤搜索其附近，然后将基于对立的策略应用于初始化，以加快对Pareto最优解集的收敛速度，并提高Pareto最优解的分布均匀性目标空间中的解决方案。 多目标测试函数的仿真结果验证了该算法的有效性。
2022-09-21 15:11:03
217KB
1
有限脉冲响应(FIR)数字滤波器的设计，实质上是一个多参数优化问题。将粒子群优化算法与混沌相结合来设计FIR数字滤波器，并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计得到的高通滤波器进行对比发现，基于混沌粒子群优化算法(CPSO)的FIR滤波器通带波动小，阻带衰减大，从而证明了该算法的有效性和优越性。
2022-09-19 18:58:15
467KB
1
针对约束优化问题，提出一种自适应人工蜂群算法。算法采用反学习初始化方法使初始种群均匀分布于搜索空间。为了平衡搜索过程中可行个体和不可行个体的数量，算法使用自适应选择策略。在跟随蜂阶段，采用最优引导搜索方程来增强算法的开采能力。通过对13个标准测试问题进行实验并与其他算法比较，发现自适应人工蜂群算法具有较强的寻优能力和较好的稳定性。
2022-09-16 00:07:07
1.43MB
1
基于PSO粒子群优化算法的车间调度matlab仿真程序最后输出调度结果以及甘特图，matlab2021a测试。
2022-08-29 10:55:09
102KB
个人辛苦编写的PSO粒子群优化算法 python程序代码，将适应度值计算部分更换成自己要优化的内容，稍加调试即可运行。
粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
2022-08-03 17:02:11
3KB
1
针对无线传感器网络分簇路由协议所筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题，提出一种基于改进粒子群优化算法的分簇路由协议。在簇头选举过程中，通过定义节点的能量因子和位置均衡因子建立新的适应度函数，评估和选择更优的候选簇头节点；通过优化的自适应学习因子调整候选簇头节点的位置更新速度，扩大局部搜索并加快全局搜索的收敛速度。根据转发节点与基站的距离确定采用单跳还是多跳传输方式，设计一种基于最小生成树的多跳方法，为转发节点数据传输选择最优的多跳路径。仿真测试结果表明，基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点，缩短了网络的通信距离，节点的能耗更低且更均衡，有效延长了网络生存周期。
2022-07-14 21:51:28
919KB
1