排序方式： 共有2条查询结果，搜索用时 6 毫秒
1
1.
对启发式优化算法中的差分进化算法进行改进,在进化过程中并行交叉采用DE/rand/1/exp和DE/best/1/exp差分策略,应用聚集度因子进行种群重构,缩小了种群重构后的搜索范围,有效避免了种群重构的随机性.仿真结果表明,改进算法与使用单一差分策略的差分进化算法及PSO算法相比,寻优能力得到了显著提高. 相似文献
2.
为克服粒子群优化算法容易陷入局部最优的缺点,根据混沌运动的随机性、遍历性特点,提出一种基于混沌思想的粒子群优化算法(CPSO).该算法利用种群适应度方差进行早熟收敛判断,实现对进化过程的监视,当发现种群陷入局部最优时,对种群进行混沌初始化,帮助种群摆脱局部最优点.对4种典型测试函数的仿真结果表明,改进算法明显减少了种群陷入局部最优的可能性,其全局寻优能力明显强于标准粒子群优化算法. 相似文献
1