搜索资源列表
pso530
- 粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation）,由Eberhart博士和kennedy博士于1995年提出 (Kennedy J，Eberhart R． Particle swarm optimization．Proceedings of the IEEE International Conference on Neural Networks．1995．1942~1948.)。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
psobp
- 该文件是使用粒子群算法来求解BP神经网络饿最优解，进而对样本数据训练学习-The document is the use of particle swarm optimization to solving hunger BP neural network the optimal solution, and then the training sample data for the study
pso
- 粒子群优化(Particle Swarm Optimization - PSO) 算法是一种新兴的有潜力的进化算法( Evolutionary Algorithm - EA) .PSO 算法,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质. 但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作. 它通过追随当前搜索到的最优值来寻找全局最优。-pso
khdjca
- 保证全局收敛的随机微粒群算法,当最优粒子的解无进化,则对其位置-Guarantee the global convergence of the stochastic particle swarm algorithm, the optimal solution of particles when no evolution, with its position
粒子群01背包
- 用粒子群算法解决01背包问题（100个物品）从而得到最优解(The particle swarm algorithm is used to solve the 01 knapsack problem (100 items), and thus the optimal solution is obtained)
13_粒子群
- 航迹规划是无人机执行侦察和作战任务中的关键技术，规划算法的性能直接影响着航迹规划的质量。针对航迹规划最优性和实时性问题，提出一种惯性权值" 阶梯式" 调整策略与跳出局部最优解策略相结合的改进粒子群无人机航迹规划算法。(Route planning is the key technology for UAV to perform reconnaissance and combat tasks, and the performance of planning algorithm
PSO
- 应用粒子群算法实现目标函数的寻优，最基础的粒子群算法。算法可以直接运行，(Optimization of objective function using PSO Algorithm)
示例一运行代码
- 利用粒子群优化算法寻找最优解，从而找到最大值的问题(In order to find the maximum value, the particle swarm optimization algorithm is used to find the optimal solution.)
TSP-PSO
- 混合粒子群算法摒弃了传统粒子群算法中的通过跟踪极值来更新粒子位置的方法，而是引入了遗传算法中的交叉和变异操作，通过粒子同个体极值和群体极值的交叉以及粒子自身变异的方式来搜索最优解。(Hybrid particle swarm algorithm instead of the traditional particle swarm algorithm in the method to update the position of the particle by tracking the maximu
粒子群
- 粒子群寻优代码，可以获得水环境、气象等数值模型的最优值(The optimal value of the numerical model of water environment and meteorology can be obtained by the particle swarm optimization code.)
模拟退火算法
- 提出了一种基于粒子群优化(PSO)算法的径向基(RBF)网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。(Particle swarm optimization (PSO) optimization of RBF network)
23876123psoSVM
- 在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是：1. 粒子自己历史最优值pi。2. 粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，A. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样，这个算法就变为局部版的粒子群算法。(The introduction of particle swarm algorithm is essential, super detai
pso2
- 粒子群比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。(It is more simple than the genetic algorithm rule. It doesn't have the crossover (Crossover) and the Mutati
sa-pso
- 利用模拟退火算法来接受不好的结果来改善粒子群算法，跳出局部最优陷阱。(The simulated annealing algorithm is adopted to accept the bad results to improve the PSO algorithm and jump out of the local optimal trap.)
apso
- 自适应粒子群算法的使用，能够完成自适应粒子群，避免了局部最优的出现(The use of the adaptive particle swarm algorithm can complete the adaptive particle swarm and avoid the occurrence of local optima.)
分布式电源选址定容的多目标优化算法_夏澍
- 多目标粒子群算法优化分布式发电选址 实现了最优目标，包含了分布式电源的出力模型(Related papers on location and sizing of distributed generation)
PSO程序代码
- 对生产线上的工位布置优化，解决NP难问题。求解最优平衡率下的工位布置，平衡个工位的负荷。达到人员精简和降低成本的目的。(Optimize the workstation layout and solve the NP-hard problem. The workstation layout under the optimal balance rate is solved, and the load of each station is balanced. Achieve the goal of
33节点DG最优分布
- 通过粒子群算法实现在33节点中的分布式电源的选址定容(Location and capacity determination of distributed generation in 33 nodes by particle swarm optimization)
布谷鸟DG规划
- 通过布谷鸟群算法对设定的多个目标进行优化，并最终获得分布式电源的最优选址定容(Through the CUCKOO swarm algorithm to optimize the set of multiple objectives, and finally obtain the optimal location of distributed generation capacity)
SSMOPSO code
- 形成策略被用来形成稳定的生态位，小生境/子种群被优化以并行地搜索和维护帕累托最优解。此外，还提出了一种自组织机制，以提高物种制定的效率和算法的性能。为了在决策空间和目标空间保持解决方案的多样性，SS-MOPSO采用了非主导排序方案和特殊拥挤距离技术。(In the proposed method, the speciation strategy is used to form stable niches and these niches/subpopulations are optimized