基于粒子群优化的神经网络在教学质量评价中的应用

文章提出了一种将粒子群优化(PSO)算法训练的神经网络用于高校教师教学质量综合评价的方法。该方法使用由PSO训练的BP模型来拟合影响教师教学质量评价的众多指标与评价结果之间的复杂关系。与BP算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度,其泛化性能也比较好。     

量子粒子群算法在电网规划中的应用

量子粒子群是在粒子群算法的基础上,引入了量子机制,它具有较好的全局收敛性。将量子粒子群算法应用于电网规划问题,克服了传统优化方法易陷入局部最优等缺点。通过18节点实例验证了该算法的可行性和有效性。     

量子粒子群优化算法在运输问题中的应用

将量子粒子群优化算法用于运输问题求解,用粒子的位置表示运输路径,建立运输路径的数学模型.与遗传算法相比,实验结果表明,该算法在求解运输问题中提高了最优解的精度,且具有较快的收敛速度.     

粒子群算法在智能照明系统中的概述

随着近些年来高层建筑不断增加,随之而来的建筑照明系统也变得越来越复杂,据研究表明我国的建筑物能耗中照明部分的能耗占建筑物总能耗的30％以上,因此节能问题更加突出.本课题研究目的就是将引入粒子群算法,利用粒子群自寻优的特点,使智能照明控制系统能够自动的完成预设的控制要求.达到系统运行可靠,经济、节能的目的.     

离散粒子群算法在高校智能排课系统中的应用研究

教务排课问题庞大、复杂,是高校进行正常教学过程中的一个重要环节,直接影响到教学资源及教学质量。排课问题要满足各种约束条件,比如教师资源、教室资源、课程、班级、上课时间等。在这些约束下,寻求一种优化组合,生成相对比较科学、合理、能充分利用现有资源并尽可能让教师和学生满意的课程安排表,将教学有秩序高效地进行。针对这种组合问题,本文提出了一种改进的离散群算法。     

粒子群优化算法在电网规划中的应用

粒子群算法适合求解连续变量优化问题,本文提出了粒子群算法的新离散化方法。常规粒子群算法在电力系统优化问题中取得了成功,但有“趋同性”。本文提出了改进多粒子群优化算法（IPPSO）,IPPSO是两层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快收敛。粒子群以及粒子状态更新策略不要求相同。     

一种可用输电能力量子粒子群优化算法

以量子行为与粒子群优化相融合的量子粒子群算法解决可用输电能力计算的优化问题.利用Matlab软件平台,以IEEE-30节点标准系统为算例进行仿真计算,比较本算法与传统粒子群算法的仿真结果,分析两种算法的寻优性能和收敛速度.仿真结果验证了量子粒子群算法解决可用输电能力优化问题的有效性.     

粒子群优化算法在机械优化设计教学中的应用

机械优化设计是机械类专业的一门重要的专业课,目前在机械优化教学中介绍的是传统的优化算法,这些方法对于局部极值及目标函数的可微性有严格要求,不能解决高维、多目标及优化设计问题的要求。粒子群优化算法是近几年发展起来的一种基于群体智能的进化计算技术,对优化问题无可微性和连续性要求,具有全局收敛性,本文在机械优化设计教学中引入了粒子群优化算法,为学生解决复杂工程优化设计问题打下基础。     

改进的粒子群算法在多用户检测中的应用

群智能是一种基于对分散的、自组织的集群行为的模拟而得到的一种人工智能技术,粒子群算法和蚁群算法是其中的典型代表.本文通过分析两种算法的缺陷,提出了一种粒子群算法和蚁群算法相结合的混合算法, 扩大了搜索空间,降低了搜索陷入局部极小的概率.     

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

遗传算法与粒子群算法在函数优化中的应用

本文简要阐述了遗传算法和粒子群算法的基本原理,探讨了在MATLAB环境中实现遗传算法和粒子群算法各算子的编程方法,并以一个简单的实例说明所编程序在函数全局寻优中的应用。     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

改进粒子群算法在电源规划中的应用

针对电源规划求解难的问题,提出了一种新的求解方法--改进粒子群算法,使用上述方法可大大减少电源规划的计算量,提高计算效率.最后的实例表明,该算法可以较好地解决电源规划问题,有着广阔的应用前景.     

粒子群优化算法及其在电力系统中的应用

粒子群优化(PSO)算法是一种新兴的基于群体智能的进化算法.介绍了PSO算法的基本原理及各种改进方法,总结了近年来PSO在电力系统中的应用研究成果,主要涉及负荷经济分配、机组组合问题、输电网规划、最优潮流计算、无功优化等领域,指出了PSO算法的广阔应用前景。     

粒子群优化算法在无功优化问题中的应用

无功优化是电力系统安全经济运行的核心问题之一,电力系统无功优化规划是一个较复杂、多目标、非线性的混合规划.它的目标是在满足约束条件的前提下,使系统的某个指标或多个指标达到最优.在分析配电网无功优化所面临困难的基础上提出了一种粒子群优化算法,并结合IEEE30节点试验系统利用粒子群算法以实现.计算结果表明,这种优化方法有利于提高配电网的无功优化水平.     

粒子群优化算法及其应用

粒子群算法是一种群体优化算法,详细介绍了粒子群算法的基本原理、参数选择及其应用领域.     

量子粒子群算法优化钢结构截面

传统的钢结构截面优化方法通常采用试算法,很难获得全局最优解。在经典粒子群算法的基础上,通过研究量子行为,提出了基于量子行为的粒子群算法,并将其应用于钢结构截面优化设计,详细描述了算法的原理和优化步骤,给出了钢结构截面优化数学模型,并对两个典型工程优化实例进行了实验验证。典型算例的截面优化结果表明:与PSO算法及传统试算法相比,该算法的优化结果最好,在满足工程要求的前提下,截面参数合理,截面面积最小,经济性得到了明显提高。     

粒子群优化算法在TDOA定位中的应用

提出了接收端在空间随机分布时,利用粒子群优化算法解决TDOA定位估计中遇到的非线性最优化问题.针对TDOA定位方式,该算法首先初始化一个随机粒子群,然后根据适应度值更新粒子速度和位置,通过迭代搜索最佳坐标.仿真结果表明,在参数设定合理的情况下,该算法性能稳定,能找到逼近全局最优点的解,相对于其他算法精度更高.     

粒子群优化算法在项目投资决策中的应用

粒子群优化算法是一种全局随机优化算法，本文将该算法用于项目投资决策，并与经典的动态规划解法进行比较，显示了该方法的简单性、可行性和有效性．