导读:本文包含了动态粒子群优化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:四旋翼飞行器,粒子群优化算法,PID控制
动态粒子群优化算法论文文献综述
胡文华,曹仁赢,温泽之,刘剑锋[1]（2019）在《四旋翼飞行器动态粒子群优化算法的PID控制技术》一文中研究指出针对四旋翼飞行器的标准粒子群优化算法PID控制器容易陷入局部最优解、过早收敛的问题,提出了一种动态粒子群优化算法的PID控制技术。该算法主要由两部分组成:①根据迭代过程中粒子群粒子与全局最优粒子间的欧氏距离大小动态改变惯性权重,并设置系数控制其对惯性权重的影响程度;②引入杂交进化,在指定迭代次数内,若粒子群全局最优值连续未变,则对指定数量的粒子进行杂交,增加粒子多样性,避免陷入局部最优。通过Matlab/Simulink搭建四旋翼飞行器模型并仿真。结果表明,该优化算法能有效地避免陷入局部最优和过早收敛,使四旋翼飞行器得到更平稳、精确的控制,减少超调,提升计算效率。(本文来源于《实验室研究与探索》期刊2019年07期）
杨雨航[2]（2019）在《动态粒子群优化K-means的图像分割算法研究》一文中研究指出K-means聚类算法在图像分割领域中的运用越来越普遍,但由于K-means算法对噪声具有敏感性,对初始聚类中心具有依赖性,并且容易收敛至局部最优解,使其在图像分割时效果并不是很理想,对此提出一种改进的结合动态粒子群优化与K-means聚类的混合算法来优化图像分割的效果。首先利用双边滤波进行平滑降噪处理,再通过动态调整惯性系数来提高PSO算法的全局优化能力,随后将动态粒子群优化的输出结果作为K-means算法的初始聚类中心,最后通过多次迭代直至收敛。实验结果表明,新算法能有效提升图像分割效果与分割质量。(本文来源于《现代计算机(专业版)》期刊2019年08期）
阮威[3]（2018）在《基于动态粒子群优化与K均值聚类的图像分割算法》一文中研究指出为了解决K-means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,文中提出了一种基于动态粒子群优化(DPSO,dynamic particle swarm optimization)与K-means聚类的图像分割算法DPSOK(dynamic particle swarm optimization and K-means)。通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K-means算法时机;随后,将DPSO输出结果用来初始化K-means聚类中心,使其收敛至全局最优解。最后,通过最小化目标函数的多次迭代,使K-means的聚类中心不断更新,直到收敛。实验结果表明,DPSOK能有效提高K-means的全局搜索能力,在图像分割中它比K-means、PSO获得更好的分割效果。且与粒子群优化与K-means算法(PSOK,particle swarm optimization and K-means)相比,文中DPSOK算法具有更高的分割质量与效率。(本文来源于《信息技术》期刊2018年10期）
李立军,张晓光[4]（2018）在《基于动态粒子群优化与K-means聚类的图像分割算法》一文中研究指出为了解决K-means聚类算法图像分割质量过度依赖于初始聚类中心选取,且易于陷入局部最优解等问题,提出一种基于动态粒子群优化(DPSO)与K-means聚类的图像分割算法(DPSOK)。通过动态调整惯性系数与学习因子来增强PSO算法的性能;然后计算粒子群适应度方差,找准切换至K-means算法时机;随后,将DPSO输出结果用来初始化K-means聚类中心,使其收敛至全局最优解;最后,通过最小化目标函数的多次迭代,使K-means的聚类中心不断更新,直到收敛。实验结果表明,DPSOK能有效提高K-means的全局搜索能力,在图像分割中它比K-means,PSO获得了更好的分割效果,且与粒子群优化和K-means算法相比,DPSOK算法具有更高的分割质量与效率。(本文来源于《现代电子技术》期刊2018年10期）
梁静,刘睿,于坤杰,瞿博阳[5]（2018）在《求解大规模问题协同进化动态粒子群优化算法》一文中研究指出随着工程技术的发展与优化问题数学模型的完善,许多优化问题从低维优化发展成高维的大规模复杂优化,成为实值优化领域的一个热点问题.通过对大规模问题的特点分析,提出了随机动态的协同进化策略,将其加入动态多种群粒子群优化算法中,实现了对种群粒子和决策变量的双重分组.最后,使用CEC2013的大规模全局优化算法的测试集对新算法进行测试,通过和其他算法的对比,验证算法的有效性.(本文来源于《软件学报》期刊2018年09期）
陈洋,刘彦呈,王川[6]（2017）在《基于改进的无尺度网络的高斯动态粒子群优化算法在舰船电网故障重构中的应用》一文中研究指出针对当前优化算法在处理大规模舰船电网重构问题时易陷于局部极值的缺点,提出一种基于改进的无尺度网络的高斯动态粒子群优化(Gaussian Dynamic Particle Swarm Optimization,GDPSO)算法.该算法融合无尺度网络理论与种群拓扑结构,采用改进的无尺度网络BA模型随机地逐渐增加种群拓扑规模,增加种群多样性,提高种群跳出局部极值的能力.以某20节点和扩充为60节点的舰船电网为例进行故障后重构测试.结果表明,该算法对多维度舰船电网重构有效.(本文来源于《上海海事大学学报》期刊2017年01期）
闫萍,焦明海[7]（2016）在《求解函数优化问题的自适应动态粒子群算法》一文中研究指出针对函数优化问题,提出一种自适应动态粒子群优化算法。区别于传统的粒子群算法,对算法定义一种基于中心粒子的种群密度测度方法,根据种群密度的变化,动态改变粒子群的更新模式;并设计局部PSO搜索机制保持粒子群的多样性;同时通过精英加速寻优策略,提高算法的局部求精能力,使算法在局部求精和空间探索间取得了较好的平衡。利用单峰和多峰的标准测试函数,对算法性能进行仿真,结果表明所提出的算法具有良好的性能。(本文来源于《计算机仿真》期刊2016年10期）
郝振兴,胡朝晖[8]（2016）在《基于动态粒子群优化的目标跟踪算法》一文中研究指出目标跟踪问题的关键在于如何寻找与目标运动状态匹配的运动模型;交互式多模型算法的模型集是根据先验信息确定的,它不随时间变化而变化,并且要求在模型集中任意时刻都存在描述目标运动模型;在实际中需要大量模型来描述运动;将粒子群优化和变结构多模型算法相结合,不仅能充分利用系统的实时量测信息,还能根据其先验信息调节优化算法结构;仿真表明,运用动态自适应粒子群优化算法实现模型集自适应,可以提高目标跟踪的精度和实时性。(本文来源于《计算机测量与控制》期刊2016年06期）
李宏光,廉莹,方梦琪[9]（2015）在《基于熵模型的动态粒子群优化算法》一文中研究指出受多种群并行寻优机制的启发,提出了一种基于熵模型的动态粒子群优化算法(entropy dynamic multiPSO,EDM-PSO)用于处理动态优化问题.将解空间划分为多个子空间,在每个子空间中利用熵模型增加种群多样性,多种群并行搜索,利用多点环境检测机制检测环境变化.对动态多峰benchmark优化问题进行了数值实验,并与其他几种动态优化算法进行了比较,结果表明:EDM-PSO算法对于处理动态优化问题具有优势.(本文来源于《北京工业大学学报》期刊2015年05期）
牛旭[10]（2014）在《动态粒子群优化算法及其应用》一文中研究指出随着计算机和通信技术的发展,数据的获取已经呈现出高速、连续、海量的特点,而数据流作为这种新的数据形态,成为一个新的研究热点。为了对数据流进行实时分析、维护、并探究数据的动态变化,需要有别于传统的数据聚类技术,我们称之为数据流聚类技术。而在传统聚类算法的研究中,聚类分析在很多情况下都可以作为一种优化问题处理,从而把进化算法应用到聚类分析中。粒子群优化算法作为进化算法的代表,由于其原理简单、收敛速度快、鲁棒性好等优势,在静态优化问题以及动态优化问题中都有着广泛地应用。因此本文的重点就放在,把数据流聚类的问题当作动态优化问题,从而使用动态粒子群优化算法处理数据流聚类问题。本文针对当前动态粒子群优化算法研究中的问题,设计了新的动态粒子群优化算法。根据数据流聚类问题的特点,将新的动态粒子优化算法应用于此类问题中。本文的具体工作如下:1.提出了基于正交学习的多种群动态粒子群优化算法(OLMPSO)。首先,该算法采用了多个种群同时进化的策略,包括一个父种群和多个动态维护数量不固定的子种群。算法中,父种群在整个搜索空间进行搜索,寻找有希望的区域。如果父种群的最优值发生改变,就以这个最优值为中心产生一个新的子种群。接下来,子种群深度挖掘父种群得到的有希望的区域。为了保证子种群的搜索效率,算法还采用了子种群重迭检测机制,如果两个子种群的中心粒子距离小于一个阀值,就删除其中一个比较差的子种群。此外,为了提高子种群的收敛速度和准确率,子种群采用了正交学习粒子群优化算法(OLPSO)进行更新迭代。最后,为了更快地追踪环境变化之后的极值,子种群中的所有粒子在环境变化之后会在上一时刻粒子的最优值附近进行随机搜索。实验的结果表明,相对于其他对比算法,OLMPSO的性能在绝大多数情况下都是最好的。2.提出了基于正交学习的多种群动态粒子群优化算法的数据流聚类算法(OLMPSO-Stream)。算法的主要思想是通过构建优化模型,将数据流聚类问题中数据随时间变化的过程看作动态优化问题中的环境变化,进而转化为动态优化问题进行处理。算法首先使用动态优化算法OLMPSO中的粒子群优化算子,对FCM聚类算法进行改进,进而加快其聚类收敛速度并提高聚类质量。在此基础之上,使用环境预测机制在环境发生变化之后,对粒子群进行相应调整。最后,通过在选用的数据集上的各个性能指标的对比实验表明,OLMPSO-Stream算法的性能明显优于经典数据流聚类算法Den Stream以及数据流聚类算法C-Den Stream。(本文来源于《西安电子科技大学》期刊2014-12-01）
动态粒子群优化算法论文开题报告
（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：
K-means聚类算法在图像分割领域中的运用越来越普遍,但由于K-means算法对噪声具有敏感性,对初始聚类中心具有依赖性,并且容易收敛至局部最优解,使其在图像分割时效果并不是很理想,对此提出一种改进的结合动态粒子群优化与K-means聚类的混合算法来优化图像分割的效果。首先利用双边滤波进行平滑降噪处理,再通过动态调整惯性系数来提高PSO算法的全局优化能力,随后将动态粒子群优化的输出结果作为K-means算法的初始聚类中心,最后通过多次迭代直至收敛。实验结果表明,新算法能有效提升图像分割效果与分割质量。
（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。
动态粒子群优化算法论文参考文献
[1].胡文华,曹仁赢,温泽之,刘剑锋.四旋翼飞行器动态粒子群优化算法的PID控制技术[J].实验室研究与探索.2019
[2].杨雨航.动态粒子群优化K-means的图像分割算法研究[J].现代计算机(专业版).2019
[3].阮威.基于动态粒子群优化与K均值聚类的图像分割算法[J].信息技术.2018
[4].李立军,张晓光.基于动态粒子群优化与K-means聚类的图像分割算法[J].现代电子技术.2018
[5].梁静,刘睿,于坤杰,瞿博阳.求解大规模问题协同进化动态粒子群优化算法[J].软件学报.2018
[6].陈洋,刘彦呈,王川.基于改进的无尺度网络的高斯动态粒子群优化算法在舰船电网故障重构中的应用[J].上海海事大学学报.2017
[7].闫萍,焦明海.求解函数优化问题的自适应动态粒子群算法[J].计算机仿真.2016
[8].郝振兴,胡朝晖.基于动态粒子群优化的目标跟踪算法[J].计算机测量与控制.2016
[9].李宏光,廉莹,方梦琪.基于熵模型的动态粒子群优化算法[J].北京工业大学学报.2015
[10].牛旭.动态粒子群优化算法及其应用[D].西安电子科技大学.2014