混沌映射的禁忌同步随机学习因子粒子群算法

针对粒子群算法初始化个体质量参差不齐,算法后期容易早熟,陷入局部最优值以及后期搜索精度不高、收敛速度缓慢的缺点,本文提出一种基于混沌映射的禁忌同步随机学习因子粒子群算法.利用Logistic映射对算法的粒子种群进行初始化,提高种群个体质量;在算法进入后期搜索寻优时,引入禁忌搜索策略,利用其良好突跳能力,跳出局部最优值,提高算法的全局搜索能力;最后将传统的学习因子通过几个测试函数进行迭代寻优,选取寻优能力突出的区间构建同步随机学习因子,平衡粒子的个体经验和群体经验.将改进的粒子群算法与另外几个智能算法在测试函数上寻优对比验证,仿真实验证明,改进的粒子群算法在寻优能力、收敛速度、搜索精度以及算法的稳定性等性能上,与另外3个智能算法相比都有显著提升.     

混沌动态种群数粒子群优化算法

针对粒子群优化算法在整个迭代过程中粒子极易陷于局部极值区域,提出一种混沌动态粒子数的粒子群优化算法,也即在判定全局最优值处于停滞时,以混沌策略对粒子进行位置初始化后加入种群,从而有效地保证了粒子群的多样性。用4个测试函数验证了该算法具有很好的寻优能力和较高的搜索精度。     

混沌映射与动态学习的自适应樽海鞘群算法

针对传统樽海鞘群算法寻优精度低、易于陷入局部最优的问题,提出基于混沌映射与动态学习的自适应樽海鞘群算法.引入改进混沌Tent映射实现种群初始化,确保更加均匀的搜索空间;设计基于Logistic映射的领导者更新机制,有效增强种群多样性;利用基于动态学习的追随者更新机制,使算法跳出局部最优,提升全局搜索能力;设计领导者/追...     

混沌粒子群优化算法研究

利用混沌运动的遍历性、随机性和规律性等特点,提出一种求解优化问题的混沌粒子群优化(CPSO)算法.该算法的基本思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.典型复杂函数优化仿真结果表明该方法是一种较简单有效的算法.     

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。     

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。     

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。     

基于动态参数优化的混沌粒子群算法

针对传统粒子群优化算法易陷入局部极值点的问题,将混沌运动的遍历性,随机性以及初值敏感性等特点融入粒子群优化过程中,并通过模拟退火的方法对参数实现局部优化,使得粒子群优化算法的参数随着优化算法的进行不断改变,以适应不断变化的优化需要.通过对经典函数的仿真实验,证明了该方法在提高收敛性的前提下,收敛精度较传统算法也有了提高,且克服了易陷入局部极值区域的问题.     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

基于精英学习的量子行为粒子群算法

在分析量子行为粒子群算法中吸引子指导作用的基础上,引入两种精英学习策略,提出了基于精英学习的量子粒子群算法(QPSO-EL)。采用动态逼近学习策略对精英个体进行局部更新,协助其跳出自身局部极值点,引导种群进行有效搜索;借鉴群体早熟判断机制对停滞状态下的精英个体空间进行变尺度混沌扰动,增大种群全局搜索空间,有效平衡了算法的局部和全局搜索能力。典型函数的仿真结果表明,该算法具有收敛速度快、求解精度高的特点。     

基于类圆映射的多目标粒子群优化算法

针对多目标优化求解的问题,提出一种基于类圆映射的多目标粒子群优化算法(qMOPSO).首先,利用类圆映射技术将高维空间的解集映射到二维坐标平面,监控粒子种群的进化状态.其次,为了兼顾种群的收敛性和分布性,采用类圆占优和类圆扇块距离的概念设计了新的档案集管理策略.另外,根据种群分布熵变化情况,选择全局最优粒子,指导种群进化方向.最后,基于换维思想和淘汰机制,采用一种新的综合管理策略,提高种群寻优性能.所提算法采用三类测试函数和五种对比算法进行了对比实验.仿真实验证明,该方法是正确、有效的.     

基于自适应进化学习的约束多目标粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题,提出一种基于自适应进化学习的约束多目标粒子群优化算法。该算法根据不符合约束条件粒子的约束违反程度,修正优化算法的进化学习公式,提高算法在约束边界区域的搜索能力;通过引入一种基于拥挤距离的Pareto最优解分布性动态维护策略,在不增加算法复杂度的前提下改进Pareto前沿的分布性。实验结果表明,所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto前沿。     

免疫综合学习粒子群优化算法

针对综合学习粒子群算法后期收敛速度慢、一旦所有粒子陷入局部最优,则无法跳出等缺陷,提出免疫综合学习粒子群优化（ICLPSO）算法。ICLPSO算法引入人工免疫系统中的克隆选择机制,利用克隆复制、高频变异、克隆选择等操作,增加种群的多样性,提高算法的收敛速度,利用柯西分布较宽的两翼分布特性进行精英粒子学习以进一步增强粒子逃离局部极值及多峰函数优化问题全局寻优能力。针对标准测试函数的仿真结果表明,与其他改进粒子群算法相比,ICLPSO算法收敛速度快,求解精度更高。     

基于自适应混沌粒子群的聚类算法

针对模糊c均值聚类算法自适应性不强、易陷入局部极小值及聚类效果不理想等问题,提出一种基于自适应混沌粒子群的聚类算法。对粒子群的加速因子进行动态设置,使粒子搜索机制具有自适应调节的功能;利用混沌扰动优化,使种群的多样性和全局搜索能力得到提高,利用边界缓冲墙对越界粒子进行处理,避免正负粒子飞越边界的干扰。选取 UCI机器学习库中的4种数据样本集进行测试,测试结果表明,该算法具有良好的性能。     

一种基于混沌的自适应粒子群全局优化方法

充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化（ACPSO）算法,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。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。     

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。     

基于P系统的粒子群优化算法

为了克服算法早熟收敛问题并提高算法精度, 引入了膜计算理论。将PSO算法与P系统相结合, 提出了一种基于P系统的粒子群优化算法 (P-PSO), 有效地平衡粒子群的全局搜索和局部寻优。采用常用的三个测试函数对新算法进行了实验, 结果表明, 提出的P-PSO算法有效地解决了算法早熟问题, 提高了算法的收敛精度。由此可见, P-PSO算法能够有效改进原有PSO算法的性能。     

基于自主学习和精英群的多子群粒子群算法

为了提高动态多子群粒子群算法中粒子学习的自主性,提出一种基于自主学习和精英群的粒子群算法.该算法借鉴教育心理学自主学习的理念,用基础群中粒子自主选择学习对象的操作代替子群的重组操作,并通过精英群局部搜索的配合来达到寻优的目的.将所提出的算法应用于6个测试函数,并与动态多子群PSO等算法进行了比较,比较结果表明,新算法在提高收敛速度、精度和寻优时间等方面具有良好的性能。