期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于泛化反向学习的多目标约束差分进化算法
被引量：
15
1
作者
魏文红
王甲海
+1 位作者
陶铭
袁华强
《计算机研究与发展》
EI
CSCD
北大核心
2016年第6期1410-1421,共12页
差分进化算法是一种简单有效的进化算法,基于泛化反向学习的机制在进化算法中经常可以引导种群的进化.针对多目标的约束优化问题,提出了一种基于泛化反向学习的多目标约束差分进化算法.该算法采用基于泛化反向学习的机制(generalized op...
差分进化算法是一种简单有效的进化算法,基于泛化反向学习的机制在进化算法中经常可以引导种群的进化.针对多目标的约束优化问题,提出了一种基于泛化反向学习的多目标约束差分进化算法.该算法采用基于泛化反向学习的机制(generalized opposition-based learning,GOBL)产生变换种群,然后在种群初始化和代跳跃阶段,利用非支配排序、拥挤距离和约束处理技术从原始种群和其变换种群中选择更优的种群个体作为新的种群继续迭代进化;该算法通过采用基于泛化反向学习的机制,可以引导种群个体慢慢向最优的Pareto前沿逼近,以求得最优解集.最后采用多目标Benchmark问题对该算法进行了实验评估,实验结果表明:与NSGA-Ⅱ,MOEA/D及其他的多目标进化算法相比,提出的算法具有更好的收敛性,并且产生的解能够逼近最优的Pareto前沿.
展开更多
关键词
差分进化
泛化反向学习
多目标优化
约束优化
非支配排序
在线阅读
下载PDF
职称材料
模拟退火自适应反向无惯性粒子群优化算法
被引量：
6
2
作者
曹文梁
康岚兰
王石
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2020年第12期1614-1619,共6页
为解决反向粒子群优化算法存在易陷入局部最优、收敛速度过慢的问题,文章提出了一种模拟退火自适应反向无惯性粒子群优化(simulated annealing adaptive opposition-based non-inertial particle swarm optimization,SAONPSO)算法。SAON...
为解决反向粒子群优化算法存在易陷入局部最优、收敛速度过慢的问题,文章提出了一种模拟退火自适应反向无惯性粒子群优化(simulated annealing adaptive opposition-based non-inertial particle swarm optimization,SAONPSO)算法。SAONPSO算法在一般性反向学习方法的基础上,根据模拟退火原理,对每一代粒子群自适应地给出反向策略执行概率,并结合精英差分变异策略对当前最优粒子进行扰动,从而帮助粒子避免陷入局部最优解;为加快粒子收敛速度,SAONPSO算法引入了一种无惯性速度更新公式来引导粒子飞行方向,该公式在对环境信息充分获取的基础上以较少的参数设置获得了较快的收敛速度。上述2种机制的结合应用有效地克服了反向粒子群算法中探索与开发的矛盾;实验结果表明,与其他反向粒子群优化算法相比,SAONPSO算法在解的求解精度与收敛速度上均较优。
展开更多
关键词
一般性反向学习
粒子群优化
模拟退火
精英差分变异
无惯性速度更新公式
在线阅读
下载PDF
职称材料
题名
基于泛化反向学习的多目标约束差分进化算法
被引量：
15
1
作者
魏文红
王甲海
陶铭
袁华强
机构
东莞理工学院计算机学院
中山大学计算机科学系
出处
《计算机研究与发展》
EI
CSCD
北大核心
2016年第6期1410-1421,共12页
基金
国家自然科学基金项目(61170216
61300198
+1 种基金
61572131)
广东高校科技创新项目(2013KJCX0178)~~
文摘
差分进化算法是一种简单有效的进化算法,基于泛化反向学习的机制在进化算法中经常可以引导种群的进化.针对多目标的约束优化问题,提出了一种基于泛化反向学习的多目标约束差分进化算法.该算法采用基于泛化反向学习的机制(generalized opposition-based learning,GOBL)产生变换种群,然后在种群初始化和代跳跃阶段,利用非支配排序、拥挤距离和约束处理技术从原始种群和其变换种群中选择更优的种群个体作为新的种群继续迭代进化;该算法通过采用基于泛化反向学习的机制,可以引导种群个体慢慢向最优的Pareto前沿逼近,以求得最优解集.最后采用多目标Benchmark问题对该算法进行了实验评估,实验结果表明:与NSGA-Ⅱ,MOEA/D及其他的多目标进化算法相比,提出的算法具有更好的收敛性,并且产生的解能够逼近最优的Pareto前沿.
关键词
差分进化
泛化反向学习
多目标优化
约束优化
非支配排序
Keywords
differential evolution
generalized opposition-based learning（gobl）
multi-objective optimization
constrained optimization
non-dominated sorting
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
模拟退火自适应反向无惯性粒子群优化算法
被引量：
6
2
作者
曹文梁
康岚兰
王石
机构
东莞职业技术学院计算机工程系
江西理工大学应用科学学院
出处
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2020年第12期1614-1619,共6页
基金
江西省科技厅自然科学基金面上资助项目(20202BABL202032)
广东省普通高校特色创新(自然科学)资助项目(2019GKTSCX142,2017GKTSCX101)
东莞职业技术学院技艺能手资金资料项目(Y17040323)。
文摘
为解决反向粒子群优化算法存在易陷入局部最优、收敛速度过慢的问题,文章提出了一种模拟退火自适应反向无惯性粒子群优化(simulated annealing adaptive opposition-based non-inertial particle swarm optimization,SAONPSO)算法。SAONPSO算法在一般性反向学习方法的基础上,根据模拟退火原理,对每一代粒子群自适应地给出反向策略执行概率,并结合精英差分变异策略对当前最优粒子进行扰动,从而帮助粒子避免陷入局部最优解;为加快粒子收敛速度,SAONPSO算法引入了一种无惯性速度更新公式来引导粒子飞行方向,该公式在对环境信息充分获取的基础上以较少的参数设置获得了较快的收敛速度。上述2种机制的结合应用有效地克服了反向粒子群算法中探索与开发的矛盾;实验结果表明,与其他反向粒子群优化算法相比,SAONPSO算法在解的求解精度与收敛速度上均较优。
关键词
一般性反向学习
粒子群优化
模拟退火
精英差分变异
无惯性速度更新公式
Keywords
generalized
opposition-based
learning
(
gobl
)
particle swarm optimization(PSO)
simulated annealing(SA)
elite differential evolutionary mutation(EDEM)
non-inertial velocity update formula(NIV)
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于泛化反向学习的多目标约束差分进化算法
魏文红
王甲海
陶铭
袁华强
《计算机研究与发展》
EI
CSCD
北大核心
2016
15
在线阅读
下载PDF
职称材料
2
模拟退火自适应反向无惯性粒子群优化算法
曹文梁
康岚兰
王石
《合肥工业大学学报（自然科学版）》
CAS
北大核心
2020
6
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
