自适应分组混沌云模型蛙跳算法求解连续空间优化问题

针对经典混合蛙跳优化算法寻优精度不高和易陷入局部收敛区域的缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种自适应分组混沌云模型蛙跳算法.通过反向学习机制初始化种群,应用云模型算法对优秀子群组的收敛区域进行局部搜索更优位置,应用混沌理论在收敛区域以外空间探索全局最优位置.典型复杂函数测试表明,所提出的算法能有效找出全局最优解,适用于多峰值函数寻优.     

一种混沌编码的粒子群优化算法及其应用

研究粒子群优化算法.传统的粒子群算法采用实数编码,收敛速度慢.为了提高收敛速度,提出了一种混沌编码的粒子群优化算法.混沌编码作为一种全新的数学编码方式,更能准确地表达编码对象的多样性,将混沌编码应用到粒子群优化算法中,使算法在初期的搜索区域更大,更快找到全局最优解.把混沌编码的粒子群算法与BP算法相结合用来优化神经网络.利用混沌编码的粒子群算法快速找到全局最优位置的邻域,然后再用BP算法进行局部寻优,收敛到全局最优位置.仿真结果证明混沌编码的粒子群神经网络比实数编码的粒子群神经网络分类收敛速度更快,验证了算法的有效性.     

改进的云自适应粒子群优化算法

为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。     

基于混沌粒子群优化的新型VRP求解算法

标准粒子群优化算法(PSO)容易陷入局部最优,且精度较低、收敛速度慢,难以满足求解VRP的需求。本文提出了一种适用于求解VRP模型的新型混沌粒子群优化算法(CPSO)。该算法引入混沌序列,利用混沌对粒子的初始位置进行初始化,提高了样本的质量,并且对当前粒子附加混沌扰动,促使其跳出局部最优,提高了全局搜索能力,有利于在全局范围内寻找到最优值。实验结果表明,本文算法的收敛速度、精度及稳定性高于PSO算法,是一种有效的VRP求解算法.     

基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

最优粒子增强探索粒子群算法

针对粒子群优化算法（Particle Swarm Optimization,PSO）存在收敛速度慢、寻优精度低和早熟收敛的问题,提出一种最优粒子增强探索粒子群算法（Optimal particle Enhanced Exploration Particle Swarm Optimization,OEEPSO）。OEEPSO将最优粒子在空间中的位置信息以二维一组划分,按4种方式计算每二维的适应值,选择适应值最小的方式更新对应维度的速度值和位置值。该策略加强了对最优粒子周围区域的探索,使粒子群能更快地向全局最优解靠近,提高了算法的收敛速度和求解精度。当算法陷入局部最优时,根据群体历史最优解的适应值,动态调整各粒子的速度值和位置值,使算法最终收敛到全局最优解。实验结果表明,OEEPSO具有收敛速度快、求解精度高的特点。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

改进混沌PSO算法的电力系统最优潮流计算

电力工业的市场化改革对最优潮流（Optimal Power Flow,OPF）的计算精度和速度提出了更高的要求。在分析最优潮流理论及其算法的基础上,对比一些经典解算法,引入粒子群优化算法（PSO）来计算发电厂成本耗费问题。考虑到传统PSO算法处理OPF约束条件时,对随机粒子个体的质量和速度的选取不能保证,且收敛速度慢,并容易陷入局部最优解,提出改进的混沌粒子群算法,即利用混沌运动特性来改进粒子群算法。利用该算法与其他算法对IEEE5节点算例进行分析比较,结果表明改进的混沌微粒群优化算法可较好处理最优潮流约束条件,有效提高了PSO算法的全局收敛能力和计算精度。在处理最优潮流问题上具有一定的有效性和优越性。     

一种混沌变参数粒子群优化算法

粒子群优化算法存在易陷入局部最优、收敛精度低、进化后期收敛慢等问题,混沌粒子群优化算法利用混沌运动的遍历性、随机性、规律性特点,很好地解决了粒子群优化算法陷入局部最优的问题,但混沌初始化会破坏已收敛的种群结构。在混沌粒子群优化算法的基础上,提出了一种混沌变参数粒子群优化算法。对陷入局部最优的种群进行混沌初始化,并采取一定的规则动态改变混沌运动的控制参数,以增强或减弱混沌方程的混沌特性,既可以减轻混沌初始化对已收敛种群结构的破坏性,又能利用混沌特性摆脱种群陷入局部最优问题,提高收敛精度,从而提高算法的全局寻优能力。通过仿真测试表明,混沌变参数的粒子群优化算法能有效避免种群陷入局部最优现象,收敛快、收敛精度高,全局寻优能力优于基本粒子群优化算法。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

一种基于云模型的改进型粒子群算法

针对经典粒子群算法在函数优化中易陷入局部最优和早熟收敛等缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种基于云模型的改进型粒子群算法。其思想是通过反向学习机制初始化种群,再通过正态云算子求解粒子群中的全局最优个体和自身最优个体周围的更优值,最后利用混沌理论对个别粒子进行变异来跳出局部最优解。典型复杂函数测试表明,该算法能有效找出全局最优解,特别适宜于多峰值函数寻优。     

结合质心思想和柯西变异策略的粒子群优化算法

针对基本粒子群优化（PSO）算法收敛精度低、容易陷入局部最优的问题,提出了一个结合质心思想和柯西变异策略的粒子群优化算法。首先,在粒子的初始化阶段采用混沌初始化策略,以提高初始粒子的均匀分布能力;其次,为了提高粒子群的收敛速度和寻优能力,引入了质心的概念,通过计算获得种群中所有粒子所构成的全局质心和所有个体极值构成的个体质心,使得粒子群内部可以实现充分的信息共享;为避免粒子陷入局部最优解,在粒子群算法中引入了柯西变异运算对当前最优粒子进行扰动,并依据柯西变异运算的规律,适应性地调整扰动步长,该算法以群体多样性为依据,动态调整惯性权重;最后,使用7个经典的测试函数对算法进行验证,通过函数运行结果的均值、方差和最小值能够表明,新算法在收敛精度上有较好的优越性。     

一种自适应粒子群算法在云资源调度中的应用

通过资源调度优化提升云计算的效率并降低数据中心能耗是云计算领域的主要研究内容之一。粒子群算法常用于解决资源调度问题,然而粒子群算法在云计算资源调度应用中算法初期收敛速度快,后期收敛速度缓慢,易陷入局部寻优。本文提出了一种自适应改进的粒子群算法用于云计算资源调度问题的研究,该算法通过自适应改进粒子的个体学习因子和社会学习因子,以提高算法的全局探索能力,使得粒子逼近更优解。实验结果表明：本文提出的自适应粒子群算法不仅具备良好的收敛性和全局寻优能力,同时能够大幅度降低云资源调度中任务队列的总完成时间。     

基于黄金分割准则的混沌云粒子群算法

针对传统粒子群算法寻优精度不高、易早熟的缺点,提出了基于黄金分割评判准则的混沌云粒子群（CCGPSO）算法。该算法利用黄金分割评判准则,将粒子群按照适应度大小分为标准粒子、混沌云粒子、云粒子三个子群,分别进行不同的算法操作。黄金分割的引入使整个粒子群可以搜索到全部解空间,解决了标准粒子群算法易陷入局部最优解和寻优精度不高的问题。选取了四种典型函数测试,并与混沌云粒子群算法（CCPSO）比较。仿真结果表明CCGPSO具有较高的寻优精度和收敛速度。     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

混沌粒子群优化算法

将混沌融入到传统粒子群提出了混沌粒子群算法。该方法利用了混沌运动的遍历性、随机性以及对初值的敏感性等特性,根据早熟判断机制,在基本粒子群算法陷入早熟时,进行群体的混沌搜索．数值仿真结果表明该方法能跳出局部最优,进一步提高了计算精度和收敛速度,以及全局寻优能力。     

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.