搜索资源列表
PSO-BP
- PSO算法从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，粒子群优化Bp网络源程序，仅供参考-PSO algorithm from random solutions to find the optimal solution by iteration, the fitness evaluation solution quality, particle swarm optimization Bp network source,
PSO
- 用matlab简单的实现粒子群优化算法的程序。-Simple implementation using matlab particle swarm optimization program.
MATLAB-ge-zhong-you-hua
- 无约束一维、多维极值，约束优化问题，粒子群优化算法，遗传优化算法-Unconstrained one-dimensional, multi-dimensional extremal constrained optimization problem, particle swarm optimization, genetic optimization algorithm
362465378
- 工程应用中的多峰寻优问题要求搜索目标函数的多个极值点，现有的多峰优化方法难以直接利用应用 问题的先验知识引导算法过程，多峰寻优效率较低。基于粒子群优化算法设计一种面向应用的多峰寻优算法， 能有效利用易于获得的先验参数，如峰间分辨率、峰位置精度、峰值个数等实现快速多峰搜索。该算法保持了粒 子群算法的简单性并改善了搜索多样性，使其可控地收敛到多个峰值上。将该算法与几种典型的多峰寻优方法 进行了对比测试和分析，结果表明
23445455
- 针对小生境粒子群优化技术中小生境半径等参数选取问题，提出了一种新颖的小生境方法，无须小生 境半径等任何参数。通过监视粒子正切函数值的变化，判断各个粒子是否属于同一座山峰，使其追踪所在山峰 的最优粒子飞行，进而搜索到每一座山峰极值。算法实现简单，不仅克服了小生境使用中需要参数的弊端，而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验，验证了算法可以准确地找到所 有山峰-Proposed a
466676
- 针对小生境粒子群优化技术中小生境半径等参数选取问题，提出了一种新颖的小生境方法，无须小生 境半径等任何参数。通过监视粒子正切函数值的变化，判断各个粒子是否属于同一座山峰，使其追踪所在山峰 的最优粒子飞行，进而搜索到每一座山峰极值。算法实现简单，不仅克服了小生境使用中需要参数的弊端，而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验，验证了算法可以准确地找到所 有山峰-Proposed a
Oleiijianfangr
- 一种基于组织的粒子群优化的的最大类间方差图像多阈值分割 -Based organization particle swarm optimization maximum between-class variance image multi-threshold segmentation
MOPSu
- 多阈值图像分类的粒子群优化算法，采用自然方法来提提高优化速度和计算量 ，经测试可直接使用。 -Multi-threshold image classification particle swarm optimization algorithm, the use of natural methods to mention improve optimization speed and computational been tested
dzzggfbpsoi
- 离散二进制粒子群优化算法，非常热门的的新算法，给出几个函数实例，供大家参考 -Discrete binary particle swarm optimization algorithm, a very popular new algorithm, several instances of the function is given for your reference
Aqpsozipn
- 在网络异常检测中,为了提高对异常状态的检测率，降低对正常状态的误判率,本文提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法。利用用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量。 -This paper presents a new method of network anomaly detection ba
PPSOa
- 粒子群优化算法（PSO）研究究粒子群优化算法（PSO）研究 -Particle Swarm Optimization (PSO) research study particle swarm optimization algorithm (PSO)
PSO-extremum-optimization-algorithm
- 基于粒子群优化算法的非线性函数极值寻优,这里的适应度函数为Ackley函数，适应度值为函数值。根据初始粒子适应度值确定个体极限和群体极限。-Nonlinear function based on particle swarm optimization extremal optimization, where the fitness function for the Ackley function, the value of the fi
psoalgorithms
- 求解0-1二次规划的粒子群算法 先将离散的0-1变量约束转化成了不光滑方程的约束，再用磨光函数方法对其光滑化。最终，把原来的数学模型转化为可微的非线性规划问题。最后，粒子群优化算法求解-0-1 first discrete particle swarm algorithm for solving 0-1 quadratic programming variable constraint transformed into smooth
New-ARMA-model-
- 运用粒子群优化算法对ARMA(p,q)模型的阶数进行优化是可行的，且利用优化后的ARMA模型对航空发电机状态趋势进行分析的结果十分准确，与原始数据所表现出的航空发电机状态变化趋势基本一致。经计算，此时分析结果的平均相对误差较小，仅为1.38 ，与优化前构建的ARMA模型相比，平均相对误差降低0.23个百分点，优化效果明显。-Using particle swarm optimization algorithm to optimize t
New-gray-model
- 利用基于粒子群算法的灰色模型对航空发电机进行状态趋势分析技术研究，所得到的分析结果平均相对误差为3.99 。此模型为粒子群优化算法对GM(1,1)模型的改进模型，因此称为基于粒子群优化算法的GM(1,1)模型。-Using aviation turbine gray model based on particle swarm optimization state trend analysis technology research, a
pso-with-mutation-operrator
- 带变异算子的粒子群优化算法,针算法存在易陷入局部最优点的缺点，提出带变异算子算法-Particle swarm optimization algorithm with mutation operator the needle algorithm easy to fall into the shortcomings of local minima, the proposed algorithm with mutation operator
POS
- 粒子群新的优化算法，具体的功能与标准的粒子群优化算法进行了详细对比-A new particle swarm optimization algorithm, and the specific function and the standard particle swarm optimization algorithm makes a detailed contrast
PSO_GA_RBF11
- 粒子群的程序，粒子群优化rbf神经网络，是一段很好的程序，希望对大家有用-Program of particle swarm particle swarm optimization rbf neural network is a good program, and hope to be useful
PSO
- 粒子群优化算法的寻优算法，以求解约束条件下的极大值-Particle swarm optimization algorithm and optimization algorithm, to solve the constraint conditions of maximum
PSO-Algorithm
- 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术,来源于对一个简化社会模型的模拟。-Particle Swarm Optimization (Particle Swarm Optimization, PSO), also known as particle swarm optimization, by