导读:本文包含了粒子群蚁群混合算法论文开题报告文献综述及选题提纲参考文献，主要关键词:类电磁算法,粒子群算法,混合算法,无功补偿
粒子群蚁群混合算法论文文献综述
张竣淇,冯婷婷,陈永刚[1]（2019）在《一种基于类电磁粒子群混合算法的无功补偿优化方法》一文中研究指出降低配电系统成本,提升电力系统性能是电力系统发展过程中始终伴随的问题,电容器组的安装位置和尺寸是配电网无功补偿中的重要问题。文中基于类电磁算法和粒子群算法提出了一种混合优化算法,并应用到无功补偿的电容器配置问题中。该算法利用类电磁算法较强的方向性优势,弥补了粒子群算法容易陷入局部最优解的问题,并显着提高了算法的收敛速度。针对电容器组最佳位置选取和容量问题,选取了常用的IEEE 34节点和IEEE 85节点配电网测试系统。利用该算法作为优化目标函数,并与其他算法进行了全面的对比。结果表明,该算法在优化电容器安装问题和降低配电网损耗方面具有较好的性能。(本文来源于《电力电容器与无功补偿》期刊2019年05期）
罗云,唐丽晴[2]（2019）在《粒子群蚁群混合优化算法在船舶机舱布局优化上的应用》一文中研究指出船舶舱室布局优化有助于充分提高其空间利用率。机舱是船舶中最重要的舱室,其布局优化要考虑其多种设备之间、设备与舱室之间的复杂的协调关系,因而不易优化。为了更好地解决船舶机舱布局优化问题,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化算法并应用于一个具体的船舶机舱布局优化的实际算例中。其仿真结果表明,改进算法具有一定的计算优势,在相同条件下能够寻到更精确的解。(本文来源于《舰船电子工程》期刊2019年10期）
黄欣,余思东[3]（2019）在《蚁群粒子群混合算法在车载网无线接入点的布局优化》一文中研究指出针对具有拓扑结构多变、受周围事物影响、高速变动等特征导致车载网通信性能不佳的问题,将无线接入点作为提高通信性能的关键辅助点。在保证信号覆盖率的情况下,根据车流量,部署最少无线接入点作为最终目标,利用蚁群和粒子群混合算法(AC-PSO)作为一种搜索策略。将AC-PSO混合算法与PSO算法、ACO算法进行对较以便证明该混合算法的优越性。实验表明,AC-PSO混合算法收敛速度比PSO、ACO更快,也说明了该混合算法在车载网中无线AP布局优化应用的有效性。(本文来源于《河池学院学报》期刊2019年05期）
杨欣东,李国勇[4]（2019）在《基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解》一文中研究指出为了对分布式模型预测控制系统进行分解,采用一种遗传算法与粒子群算法的混合优化算法对系统进行分解的方法。混合优化算法兼具两种算法的优点,相对于采用单一优化算法,收敛速度更快且精度更高。对控制系统的输入进行分组可以有效消除系统输入之间存在的耦合,平衡各子系统之间的通信负担,因此对控制系统进行输入分组,可以完成对系统的结构分解。定义了一个系统拆解目标函数对输入分组问题进行求解,并通过对热镀锌生产线控制系统中的部分输入进行分组实验,验证了方法的有效性。(本文来源于《科学技术与工程》期刊2019年25期）
陈晨,茅健[5]（2019）在《基于混合蚁群粒子群算法的立体库堆垛机路径优化》一文中研究指出针对自动化立体仓库中的堆垛机路径优化问题,课题组通过分析立体仓库中堆垛机的工作特点与运行情况,提出了基于混合蚁群粒子群算法的路径优化方法,在传统的蚁群算法中结合粒子群算法思想,使算法同时具备蚁群算法的正反馈与粒子群的多样性。通过对实例进行MATLAB仿真分析表明:混合算法路径优化速度较快,且比以往的路径更短。研究使堆垛机的运行效率得到提高。(本文来源于《轻工机械》期刊2019年04期）
段国荣,刘元会[6]（2019）在《用差异演化-粒子群混合算法确定含水层参数》一文中研究指出差异演化-粒子群混合优化算法是利用差异演化算法变异粒子个体的历史最优位置,保持种群多样性,与粒子群优化算法相结合的一种混合优化算法。应用差异演化-粒子群混合优化算法分析直线供水边界含水层抽水试验数据确定含水层参数,并将该算法所得计算结果与其他方法的结果进行比较,分析待估参数的不同取值范围对参数估计的影响,发现差异演化-粒子群混合优化算法能够有效地确定含水层参数,且目标函数值更小,计算精度更高,可达到1.673 1×10~(-6);待估参数范围的增大对差异演化-粒子群混合优化算法的收敛性影响较小,当待估参数取值范围的上限扩大到原来的14倍时,收敛率高达97%,且得到目标函数值基本一致,由此可知,差异演化-粒子群混合优化算法对初值选取的敏感性低,寻优能力强,稳定性好。数值实验结果表明:差异演化-粒子群混合优化算法有效地避免了粒子群优化算法所出现的早熟现象,是分析抽水试验数据,确定含水层参数和计算观测孔与虚拟映射井之间距离的有效方法。(本文来源于《西安科技大学学报》期刊2019年03期）
赵辉[7]（2019）在《基于粒子群——蚁群混合算法的薄板件定位策略优化》一文中研究指出为提高车身的尺寸质量,通过夹具定位点优化来减少整车装配偏差的累积。以尺寸质量为目标函数,提出了粒子群—蚁群算法进行定位点优化的方案。以车身的翼子板为例将本文的混合算法与单纯使用粒子群算法相比较,结果表明了方法的有效性。(本文来源于《计算机产品与流通》期刊2019年04期）
刘丽珏,罗舒宁,高琰,陈美妃[8]（2019）在《基于回溯蚁群-粒子群混合算法的多点路径规划》一文中研究指出景区多点路径规划问题是一个NP-hard问题,相当于寻找经过起始点和特定节点的最短路径。针对多点路径规划问题,提出了回溯蚁群-粒子群混合算法,该算法运用弗洛伊德(Floyd-Warshall)算法将图进行转换并且结合了蚁群算法和粒子群算法寻找最短路径。实验结果表明,此算法可以在小规模数据下快速找到精确解,同时,在较大规模数据量下,可以得到比最大最小蚁群算法和遗传算法更好的结果。(本文来源于《通信学报》期刊2019年02期）
赵志刚,莫海淼,温泰,刘峰[9]（2018）在《带高斯扰动和协同寻优的蝙蝠粒子群混合算法》一文中研究指出为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。(本文来源于《广西大学学报(自然科学版)》期刊2018年06期）
顾清华,孟倩倩[10]（2019）在《优化复杂函数的粒子群-鸽群混合优化算法》一文中研究指出针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。(本文来源于《计算机工程与应用》期刊2019年22期）
粒子群蚁群混合算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
船舶舱室布局优化有助于充分提高其空间利用率。机舱是船舶中最重要的舱室,其布局优化要考虑其多种设备之间、设备与舱室之间的复杂的协调关系,因而不易优化。为了更好地解决船舶机舱布局优化问题,针对粒子群算法和蚁群算法都容易陷入局部最优的缺点,结合粒子群算法和蚁群算法的优化策略,提出了一种改进的混合优化算法并应用于一个具体的船舶机舱布局优化的实际算例中。其仿真结果表明,改进算法具有一定的计算优势,在相同条件下能够寻到更精确的解。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子群蚁群混合算法论文参考文献
[1].张竣淇,冯婷婷,陈永刚.一种基于类电磁粒子群混合算法的无功补偿优化方法[J].电力电容器与无功补偿.2019
[2].罗云,唐丽晴.粒子群蚁群混合优化算法在船舶机舱布局优化上的应用[J].舰船电子工程.2019
[3].黄欣,余思东.蚁群粒子群混合算法在车载网无线接入点的布局优化[J].河池学院学报.2019
[4].杨欣东,李国勇.基于遗传与粒子群混合优化算法的分布式模型预测控制系统结构分解[J].科学技术与工程.2019
[5].陈晨,茅健.基于混合蚁群粒子群算法的立体库堆垛机路径优化[J].轻工机械.2019
[6].段国荣,刘元会.用差异演化-粒子群混合算法确定含水层参数[J].西安科技大学学报.2019
[7].赵辉.基于粒子群——蚁群混合算法的薄板件定位策略优化[J].计算机产品与流通.2019
[8].刘丽珏,罗舒宁,高琰,陈美妃.基于回溯蚁群-粒子群混合算法的多点路径规划[J].通信学报.2019
[9].赵志刚,莫海淼,温泰,刘峰.带高斯扰动和协同寻优的蝙蝠粒子群混合算法[J].广西大学学报(自然科学版).2018
[10].顾清华,孟倩倩.优化复杂函数的粒子群-鸽群混合优化算法[J].计算机工程与应用.2019