粒子群算法优化方法综述,本论文主要论述了综述论文范文相关的参考文献,对您的论文写作有参考作用。
综述论文参考文献：
摘 要：粒子群算法（pso）是一种基于群体智能的进化算法,具有实现容易,精度高,收敛快等优点,本文就粒子群算法（pso）的优化方面进行综述.并对目前的应用研究方向进行总结.
关键词：粒子群算法；粒子群算法优化； PSO
一、粒子群算法的背景
粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出.该算法从鸟群的觅食活动中得到启发并用于求解优化问题.
二、算法简介
该算法主要模拟鸟群的觅食行为,假设一个有n只鸟（粒子）组成的鸟群（群体）对D维的空间进行觅食,每只鸟在飞行的时候,既要考虑到自己的当前最优位置,也要也考虑鸟群的最优位置,在算法实现时加入了c1和c2两个量.c1是粒子个体认知系数,称为“认知学习因子”.c2是社会认知系数,所以又叫做“社会学习因子”.两者统称为“学习因子”.下面给出粒子群算法的速度以及位置更新公式：
除了以上4种,还有其他针对的学习因子进行优化的方法,例如带有权重函数学习因子[12]；三角函数变化学习因子[13]；非对称学习因子[14]等等.
四、粒子群算法的应用
例如将其应用到各类连续问题和离散问题的优化,包括模糊控制器设计,机器人路径规划,信号处理和模式识别,将其应用到神经网络的训练中,将其应用到各种实际问题中,包括车间调度,TSP,VRP,配电网络,农业工程等各种实际问题中.
五、粒子群算法展望
随着各种优化过后的粒子群算法的提出,例如MOPSO（多目标粒子群算法）,DMPSO（动态多目标粒子群优化算法）,*OPSO（随机多目标粒子群算法）,CMPSO（混沌变异粒子群算法）,粒子群算法将会应用到更多的实际当中去.因为粒子群算法本身存在易陷入局部最优,因此如何将其与其他智能算法结合,取长补短,也将会成为一大趋势.
[参考文献]
[1] Shi Y, Eberhart R. Modified particle swarm optimizer[C]// IEEE International Conference on Evolutionary Computation Proceedings, 1998. IEEE World Congress on Computational Intelligence. IEEE Xplore, 1998：69-73.
[2] Zheng Y L, Ma L H, Zhang L Y, et al. On the convergence analysis and parameter selection in particle swarm optimization[C]// International Conference on Machine Learning and Cybernetics. IEEE, 2003：1802-1807 Vol.3.
[3] 崔红梅, 朱庆保. 微粒群算法的参数选择及收敛性分析[J]. 计算机工程与应用, 2007, 43（23）：89-91.
[4] 赵志刚, 黄树运, 王伟倩. 基于随机惯性权重的简化粒子群优化算法[J]. 计算机应用研究, 2014, 31（2）：361-363.
[5] 王丽, 王晓凯. 一种非线性改变惯性权重的粒子群算法[J]. 计算机工程与应用, 2007, 43（4）：47-48.
[6] 王启付, 王战江, 王书亭. 一种动态改变惯性权重的粒子群优化算法[J]. 中国机械工程, 2005, 16（11）：945-948.
[7] 姜长元, 赵曙光, 沈士根,等. 惯性权重正弦调整的粒子群算法[J]. 计算机工程与应用, 2012, 48（8）：40-42.
[8] 马斌, 罗洋, 杨袁,等. 动态调整学习因子的粒子群优化算法[J]. 甘肃科技, 2014, 30（16）：58-59.
[9] 冯浩, 李现伟. PSO算法中学习因子的非线性异步策略研究[J]. 安阳师范学院学报, 2015（5）：44-47.
[10] Suganthan P N. Particle swarm optimiser with neighbourhood operator[C]// Evolutionary Computation, 1999. CEC 99. Proceedings of the 1999 Congress on. IEEE, 1999：1962 Vol. 3.
[11] Ratnaweera A, Halgamuge S K, Watson H C. Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients[J]. IEEE Transactions on Evolutionary Computation, 2004, 8（3）：240-255.
[12] 趙远东, 方正华. 带有权重函数学习因子的粒子群算法[J]. 计算机应用, 2013, 33（8）：2265-2268.
[13] 徐生兵, 夏文杰, 代安定. 一种改进学习因子的粒子群算法[J]. 信息安全与技术, 2012, 3（7）：17-19.
[14] 毛开富, 包广清, 徐驰. 基于非对称学习因子调节的粒子群优化算法[J]. 计算机工程, 2010, 36（19）：182-184.
（作者单位：江苏师范大学智慧教育学院,江苏 徐州 221000）
结论：适合不知如何写综述方面的相关专业大学硕士和本科毕业论文以及关于综述格式论文开题报告范文和相关职称论文写作参考文献资料下载。
基于杂交粒子群算法的基础工程可靠性分析
摘 要：由基礎工程可靠度计算往往呈高度非线性，传统优化方法不能很好地解决该问题。为了提高粒子群算法的全局搜索能力，本文借鉴遗传算法中的杂交操作，。
改进协同粒子群算法求解流水车间调度问题
摘 要：针对协同粒子群算法容易早熟和停滞的问题，提出了一种基于精英综合学习的协同粒子群（ECLCPSO）算法。该算法在协同粒子群算法的基础上，采。
基于粒子群算法汽车租赁短期车辆配置问题
摘要：合理的车辆配置与调度是租车公司运营管理考虑的主要问题之一，也是提高租车公司的租车率和收益的有效途径。针对目前我国租车公司普遍缺乏历史数据、。
求解旅行商问题一种改进粒子群算法
摘要：本文研究了求解旅行商问题的粒子群算法。针对标准粒子群算法在求解旅行商问题过程中容易出现早熟和停滞现象的缺点，提出了一种改进的粒子群算法。首。