混沌梯度组合优化算法

提出一种混沌梯度组合全局优化算法，并对该算法进行了收敛性分析．算法首先采用改进的变步长梯度法得到某个优化值，然后利用变尺度混沌搜索跳出局部极小，经过反复组合迭代，直至到达最优解．仿真结果表明，该算法能充分发挥梯度法寻优的快速性和混沌法寻优的全局搜索能力．     

混沌梯度耦合优化算法及仿真研究

提出一种基于自适应混沌梯度下降的单目标耦合优化算法 .它采用变步长梯度下降法得到某个局部优化值 ,通过规则来判断其为局部极小值 ,然后利用一个由小到大变化的自适应尺度混沌遍历算法来获得一个更优值来代替局部极小值以跳出局部极小状态 ,全局优化值可以通过这种反复迭代来获得 .仿真结果表明 ,该算法能充分发挥梯度法寻优的快速性和混沌法寻优的全局搜索能力 ,有效地跳出局部极小 ,并快速找到最优值     

基于混沌梯度的BP网络设计及应用

该文针对BP神经网络易限入局部极小的问题,提出了混沌梯度优化的神经网络的学习算法,其原理是:用规则来判断由于梯度搜索过程中产生的局部极小,并利用具有全局寻优的特点的混沌搜索,使学习过程能有效地逃离局部极小。即采用梯度下降进行“粗搜索”,混沌搜索进行“细搜索”,并建立规则将两者结合起来,就构成了BP神经网络的基于规则的混沌梯度耦合学习算法。它有效地利用了梯度下降算法的快速性和混沌寻优的全局性,并已应用于工程实际,取得了良好的效果。     

模糊神经网络的混沌优化算法设计

提出了一种基于混沌变量的多层模糊神经网络优化算法设计.离线优化部分采用混沌算法,将混沌变量引入到模糊神经网络结构和参数的优化搜索中,使整个网络处于动态混沌状态,根据性能指标在动态模糊神经网络中寻找较优的网络结构和参数.在线优化部分采用梯度下降法,把混沌搜索后得到的参数全局次优值作为梯度下降搜索的初始值,进一步调整模糊神经网络的参数,实现混沌粗搜索和梯度下降细搜索相结合的优化目的,能较快地找到全局最优解.最后对二阶延迟系统进行仿真,结果表明混沌优化方法控制精度高、超调小、响应快和鲁棒性强.     

混沌粒子群神经网络在非线性函数拟合中的应用研究

BP神经网络虽然是目前应用最广泛的神经网络模型,但其自身有易陷入局部极小值和收敛速度慢的缺点。本文提出了一种利用混沌粒子群算法来改进BP神经网络。该算法的基本思想是用混沌粒子群算法对BP神经网络的初始权值和初始阈值进行优化。对粒子群算法进行混沌优化,提高粒子群算法的全局搜索能力;用混沌粒子群算法优化后得到的最优解作为BP神经网络的初始权值和阈值。通过对非线性函数的拟合实验,发现改进后的结果与普通的BP神经网络的结果相比,具有更高的准确性,提高了拟合的精度。     

混合混沌优化方法及其在非线性规划问题中的应用

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点，提出了一种混合混沌优化方法。该方法具有逐次优化算法的隐性并行性和收敛性，禁忌搜索的智能性和变尺度混沌优化方法的快速性。仿真计算表明，该方法具有实现简单，优化效率高，鲁棒性强等特点。     

基于逐次优化和禁忌搜索算法的混沌优化方法

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点,提出了基于逐次优化和禁忌搜索算法的混沌优化方法.该方法具有逐次优化算法的隐性并行性和收敛性,禁忌搜索的智能性和变尺度混沌优化方法的快速性.仿真计算表明,该方法具有实现简单,优化效率高,鲁棒性强等特点,是求解大规模非线性规划问题的一种有效手段.     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

嵌入混和混沌搜索的蚁群算法

介绍了一种嵌入变尺度方法和禁忌搜索的混沌优化的蚁群优化法（ACA-HCO）,通过产生随机性的混沌变量,加入智能性禁忌表,采用变尺度法,加速搜索过程,混沌变量的随机性和遍历性有效克服了基本蚁群算法陷入局部最优的不足。将此方法用于求解C-TSP问题结果令人满意,用此方法进行数值计算,并与混和混沌法（MSCOA-TB）比较,其效果明显高于MSCOA-TB。     

基于混沌搜索的模糊控制器参数最优设计

基于混沌变量，本文提出一种模糊控制器最优设计方案．离线优化采用混沌算法，将混沌因子引入到模糊控制器参数域的优化搜索中，用载波方式将优化变量转变成混沌变量，再利用混沌运动的遍历性和随机性直接寻优，得到模糊控制器参数的全局次优解．在线优化采用共轭梯度下降法，把混沌搜索后得到的全局次优值作为梯度下降搜索的初始值，实现混沌全局粗搜索和梯度下降局部细搜索相结合的优化目的，能很快找到模糊控制器参数的全局最优解．最后对算法的收敛性进行了证明．     

自适应变尺度混沌免疫优化算法及其应用

结合混沌优化算法与免疫算法的特点,提出了一种采用折叠次数无限的自映射X=sin(2/x)产生混沌变量的自适应变尺度混沌免疫优化算法.该算法通过自适应变尺度方法不断调整优化变量的搜索空间,同时采用最大循环次数作为控制指标,既保证了寻优的准确性,又保证了算法的快速性.应用该算法对3个测试函数进行优化计算得到了比较满意的结果.将此算法应用于移动Ad Hoc网络入侵检测时的仿真实验结果表明,自适应变尺度混沌免疫优化算法能有效地减少对训练样本的依赖,同时减少噪音数据对入侵检测系统性能的影响,适用于移动自组网络对于入侵检测系统高检测率、高抗噪能力和低计算延迟的要求.     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin（2/x） with infinite collapses within the finite region[-1, 1] to some representative iterative chaotic maps with finite collapses （e.g., Logistic map, Tent map, and Chebyshev map）, a new adaptive mutative scale chaos optimization algorithm （AMSCOA） is proposed by using the chaos model x = sin（2/x）. In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken： 1） the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2） the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.     

基于BtW的和声搜索算法在BP网络优化中的应用

针对和声搜索算法参数影响其优化BP神经网络的性能问题,提出了一种可有效提高BP神经网络收敛速度和准确度的基于BtW参数动态变化的改进和声算法,同时用于BP网络优化。算法根据和声搜索参数的特点,采用以BtW为自变量的非线性函数变换方法,对微调概率PAR和微调幅度BW进行动态调整,利用改进的和声搜索算法对BP神经网络的连接权和偏置值进行优化。实验结果表明,该算法有效改善了和声搜索算法在BP神经网络优化中的性能,提高了BP网络的训练速度和预测的准确度。     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin(2/x) with infinite collapses within the finite region[-1;1] to some representative iterative chaotic maps with finite collapses (e.g., Logistic map, Tent map, and Chebyshev map), a new adaptive mutative scale chaos optimization algorithm (AMSCOA) is proposed by using the chaos model x = in(2/x). In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken: 1) the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2) the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.     

变尺度混沌优化方法及其应用

基于混沌变量,提出一种变尺度混沌优化方法,该方法不断缩小优化变量的搜索空间并不断提高搜索精度,从而有较高的搜索效率,应用该方法对６个测试函数进行优化计算得到了满意的效果。     

变尺度粒子群算法及其在工业软测量中的应用

粒子群优化算法是一种基于群体智能的随机优化算法,具有收敛速度快、设置参数少、算法简单、容易实现等优点,其缺点是容易陷入局部最优解。变尺度法是一种可靠的局部快速寻优方法。为了解决了基本粒子群优化算法易陷入局部最优的问题,本文提出了一种基于变尺度方法的自适应变异粒子群优化算法。在本文算法中,粒子群每进化一代后,对所有粒子执行变尺度搜索,寻找更优个体,从而使算法具有动态自适应性,能够较容易地跳出局部最优。在延迟焦化生产过程中,汽油干点是衡量汽油的一个关键指标,建立汽油干点的软测量对延迟焦化生产实现卡边控制和提高装置的经济效益是有必要的。在实际生产过程中,无法在线测量延迟焦化汽油干点,只能采用离线实验室分析的方法获得,但离线分析不能满足控制的要求。基于软测量技术而开发的延迟焦化汽油干点软测量模型,使汽油干点的在线测量成为可能。目前,工程上一般采用BP神经网络来训练软测量模型。BP神经网络的学习算法是决定BP神经网络预测质量的关键。鉴于此,本文将所提出的变尺度粒子群优化算法用于BP神经网络学习过程中,并将本文方案的预测结果与文献方案进行了对比实验。实验结果表明,与文献方案相比,本文方案具有较好预测精度和良好的泛化能力,具有较好的应用价值。     

改进混沌PSO算法的BP网络优化

提出了一种改进混沌粒子群算法(MCPSO)与BP算法的混合算法(MCPSO—BP),该算法综合了改进粒子群算法全局寻优的高效性,混沌算法局部搜索的遍历性和BP算法快速的局部搜索能力。仿真结果表明,MCPSO—BP算法网络结构简单,收敛速度快,并具有良好的逼近能力和泛化能力。     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

一种改进的混沌优化算法

为了克服遗传算法的早熟现象以及混沌优化的搜索时间过长的缺点,将遗传算法、混沌优化和变尺度方法相结合,提出了一种改进的混沌优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,从而也克服了遗传算法中的早熟现象,同时引入了变尺度方法提高该算法的搜索速度.本文还给出了算法的收敛性分析.对典型测试函数的仿真结果表明此算法优于变尺度混沌优化和遗传算法.