最优化成绩进化计算群体智能算法微粒群算法的发展改进的微粒群算法基于遗传思想改进PSO离散变量的微粒群算法粒子群优化算法
2021/10/27 16:33:41
3.17MB
1
在分析各种冗余时间之间作用机理的基础上，以列车旅行时间和列车到发站延误时间最短为优化目标，建立运行图冗余时间优化规划模型。
在此基础上引入遗传粒子群优化算法对模型进行求解，并用MATLAB仿真。
以虚拟运行时刻表为背景，通过合理设置列车运行干扰时间和仿真分析方案，对结果进行分析。
结果表明：用该模型和算法得到的规划方案相比较于固定比例方案，总延误时间短，列车在区间和车站的晚点次数少;相比较于遗传算法求解该模型的总延误时间短，总冗余时间设置多，但是列车在车站和区间的晚点次数少。
在此基础上引入遗传粒子群优化算法对模型进行求解，并用MATLAB仿真。
以虚拟运行时刻表为背景，通过合理设置列车运行干扰时间和仿真分析方案，对结果进行分析。
结果表明：用该模型和算法得到的规划方案相比较于固定比例方案，总延误时间短，列车在区间和车站的晚点次数少;相比较于遗传算法求解该模型的总延误时间短，总冗余时间设置多，但是列车在车站和区间的晚点次数少。
2018/4/26 4:09:07
635KB
1
多个函数利用多种粒子群算法处理优化问题：用二阶粒子群优化算法求解无约束优化问题用二阶振荡粒子群优化算法求解无约束优化问题用混沌粒子群优化算法求解无约束优化问题用基于选择的粒子群优化算法求解无约束优化问用基于交叉遗传的粒子群优化算法求解无约束优化问用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题用学习因子同步变化的粒子群优化算法求解无约束优化问题用学习因子异步变化的粒子群优化算法求解无约束优化问题
2021/4/23 22:12:23
8KB
1
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
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
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