1) Immune Particle Swarm Optimization(IPSO)
免疫微粒群优化算法
1.
Comparison of simulated results between Immune Particle Swarm Optimization(IPSO),PSO and DWIPSO shows that IPSO.
使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。
3) particle swarm optimization
微粒群优化算法
1.
Application of particle swarm optimization in cooperative architectural design;
微粒群优化算法在协同建筑设计中的应用
2.
Particle Swarm Optimization Approach for Location of Supermarkets;
基于微粒群优化算法的超市最优选址定量化研究
3.
New parallel Particle Swarm Optimization based on cultural algorithm
一种新的并行文化微粒群优化算法
4) particle swarm optimization algorithm
微粒群优化算法
1.
Multi-optimum information programming based particle swarm optimization algorithm;
基于多元最优信息规划的微粒群优化算法
2.
Dynamic Pareto Warehouse-based Particle Swarm Optimization Algorithm for Multi-objective Programming;
基于动态Pareto解集的微粒群优化算法及其在多目标规划中的应用
3.
Identification of T-S Fuzzy Models Using Techniques of Particle Swarm Optimization Algorithm;
基于微粒群优化算法的T-S模糊模型辨识研究
5) particle swarm optimization(PSO)
微粒群优化算法
1.
Based on the analysis,parameters selecting for robust control is reduced to be an object optimization problem,and the particle swarm optimization(PSO) is used for solving the problem,and the corresponding robust parameters are obtained.
通过分析,将鲁棒参数的选择问题转化成目标优化问题,并引入微粒群优化算法对该优化问题进行求解,获得了相应的鲁棒参数。
2.
This paper presents an approach for Hidden Markov Model(HMM) training based on Particle Swarm Optimization(PSO).
提出基于微粒群优化算法(PSO)的隐马尔科夫模型(HMM)训练算法,分别用PSO和量子微粒群优化算法进行HMM的参数估计,以提高HMM的性能。
3.
To deal with the problem of premature convergence and slow search speed,this paper proposed a new particle swarm optimization(PSO).
通过在微粒群算法中引入排雷策略的思想,对微粒群优化算法进行改进,使微粒群算法能摆脱局部极值点的束缚;另外通过在算法的迭代过程中加入旋转方向法,加快算法的收敛速度,从而形成一种新的改进粒子群算法。
6) particle swarm optimization algorithms
微粒群优化算法
1.
T-S fuzzy modeling based on particle swarm optimization algorithms;
基于微粒群优化算法的T-S模糊建模
补充资料：计算算法的最优化
计算算法的最优化
ptimization of computational algorifans
计算算法的最优化【。洲咧匕6阅ofc咖例。柱.目习子时-d，”6;onT一Mo3a双，Ra，一eju.Teju.II.叱a几r0P盆n陇o，1 在求解应用问题或精心设计标准程序系统时最优计算算法(comPutatio几al algorithm)的选择.当解决一个具体间题时，最优策略可能不会使解法最优化，可是为优化一个标准程序或应用最简单的解法编制程序则是很直截了当的. 计算算法的最优化问题的理论提法是基于下述原则.当选择一种方法来求解一个问题时，研究人员关心的是某些特性，而且根据这些特性来选择算法，同时这个算法也能用来解决具有这些特性的其他问题.据此，在算法的理论研究中，人们引人了具有特殊性质的一类问题尸.当选择一种解法时，研究人员有一组解法M可供选用.当选用一种方法m来求解一个问题p时，得到的解会有一定的误差e(p，m).称量 E(P，m)=sllp}。(p，m)I P‘P为在这类问题P中方法m的误差(en刀r of the nrth-od)，同时，称量 E(p，M)一惑E(p，m)为M中方法在尸中误差的最优估计(。Ptimal estirnateof the error).如果存在一种方法，使得 E(P，m。)=E(P，M)，那么称这个方法为最优的(optirnal).研究计算算法最优化问题的一个方案可以追溯到A .H .KQJLMoropoB(【2」)，所考虑的是计算积分 1 ‘(f)一Jf(x)dx 0问题的集合，给定的条件是}f(时}成A，其中M是所有可能求积 N ‘(f)澎，万:C，f(x，)的集合·每一种求积由总数为ZN的cj和礼确定.由具有所需精度的某函数类重新生成一个函数所需要的最小信息量(见【2]，「31)也可以包含在这个方案中.这个问题的一个更详细的阐述可查阅【4]，它指出在特定意义下实现算法的工作量与应用的存储量同样大.最优算法仅对极少数类型问题存在(汇1」)，然而，对大量计算问题，已经建立了就其渐近特性而言几乎是最优的方法(见汇5]一【8」). 对某类问题最优的计算算法特性的研究工作(见15]，【71)包含两部分:建立其特性尽可能好的具体解法，和根据计算算法的特性得出估计量(见【2]一【4]，【9】).实质上，问题的第一部分是数值方法理论的一个基本问题，而且在大多数情况下它是与最优化问题无关的研究工作.下面得到的估计通常归结为对￡摘(。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条