qq_45874683的博客

英文: A Dynamic Neighborhood-Based Switching Particle Swarm Optimization Algorithm摘要：本文提出了一种基于动态邻域的切换PSO（DNSPSO）算法，该算法设计了一种新的速度更新机制，根据基于距离的动态邻域调整个人最佳位置和全局最佳位置，以充分利用整个群体中的种群进化信息。此外，引入了一种新的切换学习策略，以自适应地选择加速度系数并根据每次迭代时的搜索状态更新速度模型，从而有助于彻底搜索问题空间。此外，将差分进化算法与粒子群优化（P

英文：Cuckoo Search via L ́ evy Flights在本文中，我们打算制定一种新的元启发式算法，称为布谷鸟搜索(CS)，用于解决优化问题。这个算法是基于一些布谷鸟物种的强制性的幼虫寄生行为与一些鸟类和果蝇的L-evy飞行行为相结合。我们针对测试函数验证了所提出的算法，然后将其性能与遗传算法和粒子群优化的性能进行比较。最后，我们讨论了这些结果的含义和对进一步研究的建议。1. 引言越来越多受自然启发的现代元启发式算法正在出现，并且越来越流行。例如，粒子群优化（PSO）受到鱼和鸟群智能的启发，

遗传算法（GA）遗传算法是用于解决最优化问题的一种搜索算法。从名字来看，遗传算法借用了生物学里达尔文的进化理论：”适者生存，不适者淘汰“，将该理论以算法的形式表现出来就是遗传算法的过程。遗传算法并不保证你能获得问题的最优解，但是使用遗传算法的最大优点在于你不必去了解和操心如何去“找”最优解。而只要简单的“否定”一些表现不好的个体就行了。相关概念：1. 基因和染色体在遗传算法中，我们首先需要将要解决的问题映射成一个数学问题，也就是所谓的“数学建模”，那么这个问题的一个可行解即被称为一条“染