为了让广大学者更直观的了解例子群算法，作者编制了粒子群算法演示程序，可以直观的观察例子群算法的寻优过程，并提供了源程序，供广大学者学习交流。
2018/9/5 22:08:34
136KB
1
自顺应多目标粒子群优化器TheAdaptiveMulti-ObjectiveParticleSwarmOptimizer(AMOPSO）.
2021/4/10 10:14:42
39KB
1
随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。
提出了一种自顺应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。
将小波函数融入到自顺应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与顺应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。
仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。
提出了一种自顺应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。
将小波函数融入到自顺应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与顺应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。
仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。
2022/9/4 1:58:55
128KB
1
文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
2019/11/18 17:14:58
13KB
1
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：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
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理。
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。
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
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理。
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。
2017/8/8 9:37:48
3KB
1
matlab代码粒子群算法自适应CLPSOMatlab代码用于宏观自适应综合学习粒子群优化器（MaPSO）和微观自适应综合学习粒子群优化器（MiPSO）算法。
抽象的优化启发式算法（如粒子群优化器（PSO））的广泛使用对参数自适应提出了巨大挑战。
PSO的一种变体是综合学习粒子群优化器（CLPSO），它使用所有个人的最佳信息来更新其速度。
CLPSO的新颖策略使种群能够从特定世代的样本中进行读取，这称为刷新间隙m。
在本文中，我们开发了两类学习自动机（LA），以研究自动机对CLPSO刷新间隙调整的学习能力。
在第一类中，将学习自动机分配给总体，在第二类中，每个粒子都有自己的个人自动机。
我们还将所提出的算法与CLPSO和CPSO-H算法进行了比较。
仿真结果表明，我们的算法在功能，鲁棒性和收敛速度方面均优于同类算法。
参考[1]MohammadHasanzadeh，MohammadRezaMeybodi和MohammadMehdiEbadzadeh，“，”在人工智能和信号处理中，Springer国际出版，2014年，第267-276页。
抽象的优化启发式算法（如粒子群优化器（PSO））的广泛使用对参数自适应提出了巨大挑战。
PSO的一种变体是综合学习粒子群优化器（CLPSO），它使用所有个人的最佳信息来更新其速度。
CLPSO的新颖策略使种群能够从特定世代的样本中进行读取，这称为刷新间隙m。
在本文中，我们开发了两类学习自动机（LA），以研究自动机对CLPSO刷新间隙调整的学习能力。
在第一类中，将学习自动机分配给总体，在第二类中，每个粒子都有自己的个人自动机。
我们还将所提出的算法与CLPSO和CPSO-H算法进行了比较。
仿真结果表明，我们的算法在功能，鲁棒性和收敛速度方面均优于同类算法。
参考[1]MohammadHasanzadeh，MohammadRezaMeybodi和MohammadMehdiEbadzadeh，“，”在人工智能和信号处理中，Springer国际出版，2014年，第267-276页。
2019/3/16 4:37:57
9KB
1
基于PSO粒子群优化算法的车间调度matlab仿真程序最初输出调度结果以及甘特图，matlab2021a测试。
2018/1/7 3:28:24
102KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB