自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

liutianbao2018的博客

  • 博客(11)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 灰狼优化算法

灰狼优化算法（Grey Wolf Optimizer，GWO）是一种群智能优化算法，由澳大利亚格里菲斯大学学者Mirjalili等人于2014年提出。该算法灵感来源于灰狼群体的捕食行为，通过模拟灰狼的社会等级分层、跟踪、包围和攻击猎物等步骤来寻找最优解。

2024-11-15 18:23:09 1285

原创 粒子群算法应用——LSTM神经网络优化

长短期记忆网络（LSTM，全称Long Short-Term Memory），是循环神经网络（RNN）的一种特殊形式，由Hochreiter和Schmidhuber两位科学家在1997年共同提出。LSTM的设计初衷是为了克服传统RNN在处理较长序列数据时面临的梯度消失或梯度爆炸难题。

2024-10-21 20:56:57 991

原创 粒子群算法应用——BP神经网络优化

本篇文章使用粒子群算法寻找BP神经网络最优权值来改善BP神经网络的性能。BP神经网络，即反向传播神经网络（Backpropagation Neural Network），是一种基于误差反向传播算法的多层前馈神经网络，具有强大的非线性映射能力和优良的多维函数映射能力。BP神经网络由输入层、隐藏层（可有多个）和输出层组成。每个神经元都与前一层的所有神经元相连，通过加权和的方式传递信号，并经过激活函数进行非线性变换。

2024-10-19 20:10:18 1621

原创 粒子群算法应用——聚类优化

聚类是一种无监督学习方法，通过相似性度量将数据点划分为多个簇，使得同一簇内的数据点彼此相似而不同簇的数据点不相似。它依赖于多种算法（如K-means、DBSCAN等）和相似性度量（如欧氏距离、余弦相似度等）来实现，广泛应用于市场细分、图像分割、文档聚类等领域，为发现数据中的隐藏模式、异常值和群体结构提供有价值的洞察。下面是iris数据集的种类：图1 iris数据集分类。

2024-10-18 18:52:47 708

原创 粒子群算法应用——二维栅格路径规划

栅格地图是一种将环境或地图区域均匀划分为一系列大小一致的网格单元，并为每个单元分配特定属性信息的地图表示方法，它简单有效、易于实现，并广泛应用于自动驾驶、机器人导航、游戏开发等领域，用于环境感知、定位、路径规划和导航避障等功能。那么每个格子如何区分自己的状态是障碍物/墙，还是空地呢？这里可以赋予每个格子不同的值，比如0代表空地，1代表障碍物/墙。

2024-10-17 20:35:41 1264 2

原创 改进粒子群优化算法2--速度暂停粒子群优化算法(VPPSO)

本文介绍了粒子群优化算法一种新的改进方法，称为速度暂停，其中每个粒子不需要在每次迭代中更新其速度。换句话说，允许一个粒子以与上一次迭代相同的速度移动。VPPSO允许粒子以三种不同的速度移动，即较慢的速度，更快的速度和恒定的速度，不像传统的PSO算法，粒子只以更快的速度或更慢的速度移动。速度暂停的主要优点是增加了第三个运动选择（恒定速度），这有助于平衡探索和开发，并避免经典PSO的严重过早收敛。

2024-10-12 20:45:22 799

原创 量子粒子群优化算法工程应用

综上所述，量子粒子群优化算法是一种结合了量子物理思想和粒子群优化算法优势的优化方法。，并在多个领域的性能要强于传统粒子群算法。本人喜欢研究优化算法，可以加好友交流交流，或者更新你所想看到的内容！

2024-10-11 15:47:17 428

原创 改进粒子群优化算法1——量子粒子群优化算法

量子粒子群优化算法（Quantum Particle Swarm Optimization，QPSO）是在经典的粒子群优化算法（Particle Swarm Optimization，PSO）的基础上，结合量子物理的思想改进而形成的一种优化算法。

2024-10-10 21:04:55 2115 1

原创 粒子群算法在电池离线参数辨识应用

这一应用主要是利用粒子群算法的全局优化能力和随机搜索特性，对电池的等效电路模型参数进行离线辨识。通过设定目标函数，并对其进行寻优，可以找到使电池模型输出与实际测量值最为接近的参数值。这种方法具有原理简单、参数少、实现容易等优点，并且已经在锂离子电池等电池系统的参数辨识中得到了广泛应用。

2024-10-09 20:41:43 1726

原创 粒子群算法工程应用

在这一期我们主要讲解粒子群算法工程应用

2024-10-08 16:25:37 1102

原创 粒子群优化算法及应用

PSO算法的基本原理和函数优化

2024-10-07 19:44:08 1085 1

粒子群优化算法与BP（反向传播）神经网络的结合，旨在优化BP神经网络的权值和阈值，从而提高其非线性拟合能力和收敛速度
BP神经网络是一种多层前馈神经网络，具有输入层、隐层和输出层。其主要特点是信号前向传递和误差反向传播。在前向传递中，输入信号从输入层经隐层逐层处理，直至输出层。如果输出层的实际输出与期望输出不符，则转入误差反向传播阶段。在反传过程中，误差被分摊给各层的各个单元，用于调整网络权值和阈值，使网络预测输出不断逼近期望输出。BP神经网络的非线性泛化能力很强，但其收敛速度慢，容易陷入局部极值，且误差较大。为了弥补这些缺点，将PSO算法与BP神经网络结合，用PSO算法优化BP神经网络的权值和阈值。具体来说，PSO算法中的每个粒子代表BP神经网络的一组权值和阈值，通过不断迭代和更新粒子的位置和速度，找到使BP神经网络误差最小的最优解。

2024-11-29

PSO算法栅格路径规划，通过模拟粒子在搜索空间中的动态移动与相互作用，旨在探寻全局最优方案
在路径规划领域中，粒子群优化（Particle Swarm Optimization，简称PSO）是一项广受欢迎的技术。PSO算法灵感源自自然界中鸟群或鱼群的群体行为，通过模拟粒子在搜索空间中的动态移动与相互作用，旨在探寻全局最优方案。当涉及到机器人路径规划时，PSO算法能够出色地帮助机器人探索出在特定环境中的最优行进路线。 PSO算法的核心精髓在于，它借鉴了群体中粒子的运动模式来搜索最优解。在这个框架下，每个粒子均象征着一种潜在的解决方案，它们会根据自身的历史经验和整个群体的共享经验来灵活地调整自己的位置。具体到路径规划任务中，每个粒子就代表了一条潜在的行进路径，而粒子的当前位置则精确地对应着路径上的各个关键节点。 通过持续不断地迭代与更新粒子的位置信息，PSO算法能够逐步逼近并最终锁定全局最优解，也就是那条对于机器人而言最为理想的行进路径。

2024-11-29

灰狼优化算法（Grey Wolf Optimizer，GWO）是一种群智能优化算法
灰狼优化算法（Grey Wolf Optimizer，GWO）是一种群智能优化算法，由澳大利亚格里菲斯大学学者Mirjalili等人于2014年提出。该算法灵感来源于灰狼群体的捕食行为，通过模拟灰狼的社会等级分层、跟踪、包围和攻击猎物等步骤来寻找最优解。

2024-11-15

速度暂停粒子群优化VVPSO.zip
VPPSO算法，即速度暂停粒子群优化算法，是对传统粒子群优化算法（PSO）的一种改进。 VPPSO算法的核心在于引入了速度暂停的概念。在算法中，粒子在搜索空间中的运动速度不再是简单的线性增加或减少，而是可以在一定条件下保持恒定，即速度暂停。这种速度暂停的机制有助于粒子在搜索过程中更好地平衡全局搜索和局部搜索，从而避免过早收敛于局部最优解。 为了实现速度暂停，VPPSO算法将种群分为两个子群。第一个子群的粒子根据经典PSO机制更新速度和位置，但对其中的速度方程进行了修改，引入了速度暂停的概念。第二个子群的粒子则只依赖全局最优粒子（gbest）来更新自己的位置，这有助于算法更快地收敛到全局最优解。 与传统的PSO算法相比，VPPSO算法具有更高的搜索效率和更强的全局搜索能力。通过引入速度暂停机制，算法能够更有效地跳出局部最优解，避免早熟收敛。同时，双群策略也增加了算法的多样性，提高了搜索效率。 VPPSO算法在多个领域都展现出了广泛的应用前景。例如，在函数优化领域，VPPSO算法能够求解高维和复杂的优化问题；在机器学习领域，VPPSO算法可以用于训练神经网络和优化模型参数；

2024-10-14

量子粒子群优化算法QPSO.zip
量子粒子群优化算法（Quantum-behaved Particle Swarm Optimization，QPSO）是一种新颖的群体智能优化算法。 该算法在经典的粒子群算法（PSO）基础上，引入了量子动力运动学的概念，从而取消了原先粒子的速度及移动方向概念，采用了势阱的概念。这意味着粒子下一步的运动和粒子之前的运动不存在任何关系，大大增加了粒子运动的随机性。 在QPSO中，需要设定的参数只有创新参数a，相较于PSO中的c1、c2、w等多个参数，其参数设定更为简单。同时，通过量子运动，QPSO大大增加了粒子的随机性，使其能够更有效地跳出局部最优解，从而增强了全局搜索能力。 此外，QPSO算法还具有进化方程简单、控制参数少、收敛速度快、运算量少等特点。然而，QPSO算法也存在局部搜索能力较弱、搜索精度较低等问题。为了解决这些问题，研究者们提出了多种改进策略，如自适应局部搜索、多子群自适应局部搜索等，以进一步提高算法的性能。 总的来说，QPSO算法在多个领域都展现出了广泛的应用前景和强大的优化能力，是一种值得深入研究和应用的优化算法。

2024-10-14

粒子群算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化方法，它源于对鸟群捕食行为的
粒子群算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化方法，它源于对鸟群捕食行为的研究。该算法通过模拟粒子在搜索空间中的飞行行为，利用个体的历史经验和群体信息进行搜索和优化。以下是对粒子群算法应用的详细归纳： 一、工程设计领域 机械结构设计：粒子群算法可用于优化桁架结构、板壳结构等机械结构的设计，找到满足特定性能指标的最优设计方案。 二、数据挖掘领域 聚类分析：粒子群算法可用于K-means聚类、模糊C-means聚类等，找到最优的聚类中心，实现数据的准确分类。 三、神经网络训练 粒子群算法可用于神经网络的训练过程，通过优化神经网络的权重和阈值，提高神经网络的性能和预测准确性。 四、控制工程领域 粒子群算法可用于优化控制策略，如PID控制器 五、图像处理领域 图像分割：粒子群算法可用于K-means聚类分割、模糊C-means聚类分割等，找到最优的聚类中心，实现图像的准确分割。 图像增强和复原：通过优化相关参数，粒子群算法可用于图像增强和图像复原等任务。 六、调度问题 粒子群算法可用于解决各种调度问题，如任务调度、作业车间调度等

2024-10-14

机器学习+K均值聚类+K均值，IRIS数据+利用matlab聚类分析IRIS数据
利用K均值聚类IRIS数据，包括两个程序： 一、基于欧氏距离聚类 二、基于余弦距离聚类 二者聚类效果不同，输出结果包括：轮廓图、聚类结果可视化（标注明聚类错误样本）、聚类正确率。

2022-12-08

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除