改进飞蛾捕焰算法在网络流量预测中的应用

传统BP神经网络对网络流量时间序列预测精度低和泛化能力弱。为此,提出一种新的优化BP神经网络的方法。通过小波包分解对网络流量进行多频段序列分解,并采用飞蛾纵横交叉混沌捕焰算法优化的神经网络,对各分解后的子序列进行预测,叠加各子序列的预测值,重构获取实际预测结果。仿真结果表明,与传统BP神经网络预测方法相比,该方法能捕获网络流量的变化规律,具有较好的预测精度、稳定性和泛化能力。     

正余混沌双弦鲸鱼优化算法

针对基本鲸鱼优化（WOA）算法容易陷入局部最优解和收敛速度慢的缺点,提出一种正余混沌双弦鲸鱼优化（CSCWOA）算法。为鲸鱼的觅食加入信息交流强化机制,并在捕食引入正余混沌双弦机制,通过正弦全局搜索减少寻优盲点,余弦局部开发加快收敛速度,以及混沌算子增强跳出局部最优的能力,个体信息在种群中双弦混沌交叉快速传播。通过仿真对比实验,证明了该算法具有较好的收敛速度、求解精度和稳定性。     

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测

为了解决传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。     

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法（Moth-Flame Optimization，MFO）是一种自然激励且易于实现的全局优化算法，在许多实际优化任务中表现出良好的性能。然而，MFO算法存在早熟收敛和容易陷入局部最优解的问题，针对这些不足，提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法（Ameliorative MFO，AMFO）。在AMFO算法中，引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优；采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力，以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能，并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较，仿真结果表明AMFO算法具有较好的搜索性能。     

基于遗传交叉和多混沌策略改进的粒子群优化算法

为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施：其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明：与其它三种算法相比,提出的算法在解决8个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。     

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．     

混沌大洪水算法求解函数优化问题*

针对函数优化问题,提出一种混沌大洪水混合优化算法,该混合算法基于大洪水算法寻优思想和混沌序列的内在随机性、遍历性和规律性特点。算法在Delphi7环境下编程实现,针对几个典型复杂函数进行优化测试,仿真结果表明,混沌大洪水算法是一种简单有效的算法,在运行效率上明显优于其他算法。     

混沌粒子群优化算法

粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌寻优思想引入到粒子群优化算法中,这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前杠子群体中的最优粒子进行混沌寻优,然后把混沌手优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快,从而改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。     

基于飞蛾算法的有源配电网储能双层优化方法

由于风电、光伏等可再生能源不稳定的特性,导致电网储能装置输出的灵活性较低,为此,提出基于飞蛾算法的有源配电网储能双层优化方法。考虑系统的负荷波动,利用飞蛾算法以功率平衡为目标对电网储能进行优化,通过对飞蛾的位置参数进行无量纲化处理,以潮流平衡为目标进行二次优化,确定最终的储能配置。测试结果表明,设计方法下电网储能装置输出具有较高的灵活性,能够有效提高有源配电网运行的稳定性,为其提供可靠的电能供给。     

混沌动态步长果蝇优化算法

为了进一步提高标准果蝇优化算法的收敛速度和寻优精度,将混沌优化与迭代步长动态调节策略相结合,提出一种混沌动态步长果蝇优化算法。算法在寻优过程中引入动态步长调节因子对基本果蝇优化算法的步长实现持续动态更新,利用混沌优化方法对混沌变量与优化变量进行映射操作,同时引入混沌扰动使得果蝇个体能够快速跳出局部最优。实验结果表明:该算法在收敛速度和寻优精度上大幅提高。     

基于CMFO算法的投影寻踪威胁目标评估模型

为了提高威胁目标评估的准确性,快速对威胁目标进行排序,提出了一种基于混沌飞蛾火焰优化（Chaotic Moth-Flame Optimization,CMFO）算法的投影寻踪威胁目标评估模型。简单介绍了一种新的群智能算法--飞蛾火焰优化算法（Moth-Flame Optimization,MFO）,并引入混沌映射提高了MFO的性能。给出了投影寻踪威胁目标评估模型的算法流程,同时给出了基于CMFO求解最佳投影方向的方法步骤。选取了3个目标威胁评估的算例,进行实验分析,并与其他评估方法进行比较。比较结果表明该评估模型简单、有效,为快速、准确实现目标威胁评估提供了一种新的方法。     

改进的飞蛾扑火优化算法在网络入侵检测系统中的应用

针对当前网络入侵检测中的数据量较大、数据维度较高的特点,将飞蛾扑火优化（MFO）算法应用于网络入侵检测的特征选择中。鉴于MFO算法收敛过快、易陷入局部最优的问题,提出一种融合粒子群优化（PSO）的二进制飞蛾扑火优化（BPMFO）算法。该算法引入MFO螺旋飞行公式,具有较强的局部搜索能力;结合了粒子群优化（PSO）算法的速度更新方法,让种群个体随着全局最优解和历史最优解的方向移动,增强算法的全局收敛性,从而避免易陷入局部最优。仿真实验以KDD CUP 99数据集为实验基础,分别采用支持向量机（SVM）、K最近邻（KNN）算法和朴素贝叶斯（NBC）3种分类器,与二进制飞蛾扑火优化（BMFO）算法、二进制粒子群优化（BPSO）算法、二进制遗传算法（BGA）、二进制灰狼优化（BGWO）算法和二进制布谷鸟搜索（BCS）算法进行了实验对比。实验结果表明,BPMFO算法应用于网络入侵检测的特征选择时,在算法精度、运行效率、稳定性、收敛速度以及跳出局部最优的综合性能上具有明显优势。     

基于环形邻域的混沌粒子群聚类算法

针对标准粒子群优化（PSO）算法早熟收敛及易陷入局部极值的缺点,提出一种基于环形邻域的混沌粒子群优化算法RCPSO,并将其应用于求解数据聚类问题,而且通过在4个数据集上进行仿真实验验证了算法的有效性。实验表明,当邻域大小为整个种群规模的1/3时,基于静态邻域和基于随机邻域的算法在4个数据集上的整体聚类效果均达到最好。RCPSO算法利用适当规模的环形邻域提高了粒子群的全局寻优能力,并利用混沌因子增强了粒子收敛过程中种群的多样性,从而避免算法的早熟收敛。另外,与K-means、PSO、K-PSO及CPSO算法的实验结果进行比较表明,RCPSO算法在错误率方面表现得更好,因此该算法为聚类问题提供了一种切实有效的解决方法。     

带变异算子的自适应粒子群优化算法

针对粒子群优化算法在进化过程的后期收敛速度较慢,易陷入局部最优的缺点,对基本粒子群优化算法作了如下改进：在速度更新公式中引入非线性递减的惯性权重;改进位置更新公式;对全局极值进行自适应的变异操作。提出一种新的混合变异算子的自适应粒子群优化算法。通过与其他算法的数值实验对比,表明了该算法具有较快的收敛速度和较好的收敛精度。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

基于改进人工蜂群算法的WSNs覆盖优化

随着无线传感器网络（WSNs）被广泛地应用,覆盖优化问题已经成为网络服务质量中的一个关键问题。针对基本人工蜂群（ABC）算法的缺陷,基于混沌优化和自适应变化提出了一种改进的ABC（IABC）算法;并在此基础上,设计了基于IABC算法的动态网络覆盖优化方案。实验结果表明：IABC算法明显改善了基本ABC算法的缺陷,有效地延长了网络寿命,保证了网络的服务质量。     

基于混沌搜索和错卦变换的阴阳平衡优化算法

针对基本阴阳平衡优化（YYPO）算法易早熟收敛的问题,基于混沌的遍历性,在算法中引入混沌搜索对更多区域进行探索,以提高全局探索能力。此外,借鉴《易经》中的错卦变换引入反向学习策略,对当前解的反向解进行集中搜索,提高局部开发能力。同时,为充分利用多核处理器等计算资源,还对算法进行了并行程序设计。采用标准测试函数进行数值实验,以测试基于混沌搜索和错卦变换的改进YYPO（CSIOYYPO）算法的求解性能。实验结果表明,与基本YYPO算法和自适应YYPO算法等YYPO算法以及其他类型智能优化算法相比,CSIOYYPO算法具有更高的计算精度和更快的优化速度。     

引入人工蜂群搜索算子的QPSO算法的改进实现

针对基于人工蜂群搜索算子的量子粒子群算法（IQPSO）求解精度不理想,收敛速度慢等问题,将一种更新全局最优的新策略融入到IQPSO算法中,引入双中心粒子,将IQPSO算法得到的全局最优解进行多种群划分,使得全局最优解的每一维度的值都与双中心粒子相对应的维度分别替换,再次更新全局最优,在算法解附近探索更加精确的结果。通过五个测试函数的仿真实验与IQPSO算法比较,验证所提的算法有良好的准确性与收敛速度的改进。     

双重反馈机制的蚁狮算法

针对基本蚁狮算法存在的收敛精度低、易陷入局部最优解的缺陷,将蚁狮能力和种群改善率的特征作为双重反馈信息引入ALO算法,提出双重反馈机制的蚁狮算法DFALO。DFALO算法运用动态自适应反馈调整策略以动态调整陷阱大小而提高收敛精度;利用时空混沌探索策略提高了全局搜索能力,避免算法陷入局部最优;采用多样性反馈高斯变异策略增强种群的多样性而避免算法出现早熟。八个标准测试函数仿真测试表明,DFALO在平衡全局搜索和局部开发能力上有显著提高,收敛速度快、全局搜索能力强、求解精度高。