类电磁机制算法的研究与改进

来源 :西安电子科技大学 | 被引量 : 0次 | 上传用户:shigaomin
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
全局优化问题广泛存在于生产制造等众多领域中,如何高效地求得该类问题的全局最优解一直是优化计算领域中的研究热点。近年来,随着计算技术的快速发展,传统的优化方法已无法解决越来越复杂的最优化问题。类电磁机制算法作为一种现代智能优化算法已广泛应用于该类问题的求解中。类电磁机制算法(Electromagnetism-like Mechanism Method, EM)是一种基于种群的元启发式优化算法,可用于对无约束优化问题等全局优化问题进行仿真、验证和求解。本文以无约束优化问题为研究对象,研究了EM算法的寻优机制,以实现对算法步骤的改进与验证。本文首先介绍了EM算法的优化原理及算法流程,并分析了其在求解无约束优化问题时存在的一些问题,例如初始种群不均匀、移动公式效率低、全局最优解精度不高等。然后从种群初始化和粒子移动两个步骤对EM算法进行了改进,并引入了全局最优解的精度增强机制,即采用随机化均匀设计方法构造初始种群,使初始粒子更加均匀地分布于可行域中,增加了种群的多样性,为算法的全局寻优提供了更加有利的初始环境;在粒子的更新公式中,设计了一种自适应调节粒子移动步长的函数,引导粒子向最优解方向移动,加快了算法的收敛速度;对全局最优粒子进行精度增强训练,使其向更优的方向搜索,从而提高了解的精度并加快了算法的收敛速度。最后,使用一些经典的标准测试函数验证并分析了新算法在求解无约束优化问题时的可行性和有效性。实验结果表明,改进后的新算法具有更好的收敛效果和更高的求解精度。
其他文献
从行为心理学发展而来,介于监督学习和非监督学习的强化学习算法,目前是机器学习研究领域的热点,越来越受到关注。现有的强化学习算法如Sarsa学习算法、Q学习算法等需要大量的存
随着Internet的高速发展,Web上承载的网页数据也与日俱增。一个普通网页上包含的数据一般可以分成两部分:内容块和噪声块,其中噪声块主要包括网页顶部或侧边的导航栏、四周的
聚类分析的目标是在相似的基础上收集数据进行分类,使得各个类之间的数据差别应尽可能大,类内之间的数据差别应尽可能小,即为算法的选择取决于数据的类型、聚类的目的和应用
现今软件定义无线电(SoftwareDefinedRadio,SDR)处理器遇到的核心问题有许多,而本文主要研究面向4G无线通信的基于SDR的变宽度SIMD处理器体系结构模型的设计及其中模块的硬件设
太阳能作为一种新兴的、绿色的、无污染的可再生能源,以其分布广泛,不受地域限制,储量丰富,取之不尽,用之不竭,清洁安全,无污染等独特的优势受到了人们的广泛关注。光伏发电是新能源的重要组成部分,将成为未来太阳能产业和电力产业的发展方向。然而传统的光伏电站的并网方式、最大功率点的跟踪方法对太阳能的利用率和功率的输出都不尽人意,因此太阳能光伏发电的实现需要解决诸多的问题。本文研究了太阳能光伏发电系统的工作
压缩传感理论将信号的采样与压缩同时进行,利用信号在变换基上可以稀疏表示的先验知识,从比香农采样少的多的观测值中重构原始信号。因此,寻找能够更加稀疏表示信号的变换基成为
激光雷达监测数据对于研究大自然的演变规律和气候变化起着非常重要的作用,是预测和分析大气状况的宝贵资料。然而,现有激光雷达监测站点的布局不均衡,数量有限,且观测密度不够。
随着科技的不断进步和智能手机的不断发展,以及智能操作系统在智能移动终端上的不断发展和应用,智能手机已经成为人们获取价值信息的重要手段。并已逐渐影响人们的日常生活方式
聚类是将一组对象根据一定的原则分成若干类的过程。在结果中,相同类中对象的相似度较高,不同类间对象的相似度较低。聚类分析是机器学习的一个重要组成部分,已经被广泛地应用在
证据理论由于其特有的表达方式和处理模糊信息的方法,在处理不确定信息方面具独特的优势,近年来受到人们越来越多的关注。随着证据理论在信息融合、目标识别、决策、预测和人