搜索资源列表
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，对复杂多峰函数，该算法能以最快的收敛速度实现多峰搜索-Mu
1234255
- 介绍了一种利用量子行为粒子群算法(QPSO)求解多峰函数优化问题的方法。为此，在 QPSO中引进一种物种形成策略，该方法根据群体微粒的相似度并行地分成子群体。每个子群体是 围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索。从而保证每个峰值都有 同等机会被找到，因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算 法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明，基于物 种形成的QPSO算法可以尽
Custom-Evaluation
- 提出一种基于粗糙集与支持向量机的客户动态评估方法。根据客户群特点从当前价值、潜在价值和附加价值三个维度分析并构建客户评估指标，利用指标的年增幅率监测客户价值的变化规律。应用粗糙集布尔推理算法、粒子群算法实现连续属性离散化和知识约简。通过10-重交叉验证和网格搜索技术获取最优惩罚因子与核参数，缩放样本数据集并完成支持向量机一对一分类器的训练与测试。结果表明该评估方法能够实现周期性的客户价值评估与细分，具有很强的泛化能力。- A customer dynamic evaluation method
Scripts2
- - Simultaneous changes in the particle filter algorithm learning factor. - Test file - PSO algorithm scr ipt
Particle-Swarm-Optimization
- This paper presents an overview of our most recent results concerning the Particle Swarm Optimization (PSO) method. Techniques for the alleviation of local minima, and for detecting multiple minimizers are described. Moreover, results on the abil
cat-swarm-optimization
- In this paper, we present a new algorithm of swarm intelligence, namely, Cat Swarm Optimization (CSO). CSO is generated by observing the behaviors of cats, and composed of two sub-models, i.e., tracing mode and seeking mode, which model upon th
GA-PSO
- 粒子群算法与遗传算法的联合的GA-PSO算法运用，带有测试函数-Joint GA-PSO algorithm using particle swarm optimization and genetic algorithm with test function
nei-V4.4
- 多目标跟踪的粒子滤波器，本科毕设要求参见标准测试模型，多姿态，多角度，有不同光照。- Multi-target tracking particle filter, Undergraduate complete set requirements refer to the standard test models, Much posture, multi-angle, have different light.