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。     

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。     

多目标粒子群优化算法在柔性车间调度中的应用

将粒子群优化(Particle Swarm Optimization,PSO)算法和混沌搜索方法结合在一起,提出一种求解多目标柔性作业车间调度问题(Flexible job shop scheduling problem,FJSP)的新算法,利用混沌对PSO的参数进行自适应优化来有效平衡算法的全局搜索和局部开挖能力,并采用混沌局部优化策略来改善算法的搜索性能.此外,为了搜索到问题的所有非劣解,采用基于模糊逻辑的适应度函数来评价粒子.对于四个典型FJSP实例的实验验证了算法的可行性和有效性.     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法.采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛.充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回...     

非线性系统模糊神经网络控制的改进策略

针对以模糊神经网络自适应方法为核心的不确定非线性系统控制问题, 以常规静态模糊神经网络控制结构为基础, 分别就控制器、辨识器及优化算法3个方面展开改进研究. 以一种改进结构的动态PID型模糊神经网络为控制器, 最小二乘支持向量机为辨识器构成控制系统. 利用带混沌搜索的量子粒子群算法离线优化结合在线误差反传微调的寻优策略优化控制器参数, 带混沌扰动的粒子群离线优化支持向量机的核参数, 并通过对系统稳定性的讨 论将改进的控制系统逐步完善. 对某热交换对象模型的数值仿真验证了该改进方法的可行性和有效性.     

基于自适应参数与混沌搜索的PSO算法求解柔性作业车间调度问题

针对传统粒子群优化(PSO)算法在求解柔性作业车间调度问题中的不足,提出了基于自适应参数与混沌搜索的粒子群优化算法。对粒子群算法中的惯性系数等参数采用基于迭代搜索而自适应调整的方式,使粒子在初期以较大惯性进行大范围搜索,后期逐渐减小惯性而转入精细搜索。这种方法改变了传统粒子群算法在求解过程中的盲目随机与求解精度不高的问题;同时,通过在局部搜索过程中引入混沌技术,扩大对最优解的寻找范围,以此避免算法陷入局部最优,有效提高算法的全局寻优能力。实验结果表明,基于自适应参数与混沌搜索的粒子群优化算法在求解柔性作业车间调度问题(FJSP)时能够获得更优粒子适应度平均值及更好的优化目标。所提算法对求解柔性作业车间调度问题可行,有效。     

基于模糊c-means与自适应粒子群优化的模糊聚类算法

已有的粒子群模糊聚类算法需要设置粒子群参数并且收敛速度较慢,对此提出一种基于改进粒子群与模糊c-means的模糊聚类算法。首先,使用模糊c-means算法生成一组起始解,提高粒子群演化的方向性;然后,使用改进的自适应粒子群优化方法对数据进行训练与优化,训练过程中自适应地调节粒子群参数;最终,采用模糊c-means算法进行模糊聚类过程。对比实验结果表明,所提方法大幅度提高了计算速度,并获得了较高的聚类性能。     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。     

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。     

基于反步法的自适应滑模大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出一种非线性反步自适应滑模变结构控制方法．基于反步法的思想适当选取Lyapunov函数,回馈递推得到自适应滑模控制律,并利用一种自适应参数策略的混沌粒子群算法优化控制器的固定参数改善系统性能,同时利用矩阵SDU分解克服高频控制增益矩阵估计时可能存在的奇异问题．仿真结果验证了算法的有效性．     

基于SQP和自适应搜索的混沌粒子群算法

针对基本粒子群优化算法（PSO）算法易陷入局部最优的缺点,提出混沌自适应粒子群-序列二次规划算法（CAPSO-SQP）。在基本PSO算法的基础上,加入混沌搜索和自适应惯性权重提高全局收敛能力,并在PSO算法每一代的迭代过程中,引入SQP策略,加快局部搜索并提高对约束优化问题的计算可靠性。测试函数仿真结果表明,CAPSO-SQP算法计算精度高,稳定性好,收敛速度快。将所提出算法应用于悬臂梁结构优化设计,求解结果表明算法在结构优化计算方面的可行性,而且相对于CPSO算法求解更加准确,具有较高的计算可靠性和实用价值。     

面向多目标侦察任务的无人机航线规划

针对无人机执行多目标侦察任务的航线规划问题,提出一种改进粒子群算法结合高斯伪谱法的分层航线规划方法.设计改进粒子群算法进行航线预规划,针对传统粒子群优化算法收敛速度慢、易陷入局部最优的问题,通过引入混沌映射初始化和自适应参数调整策略,加快算法收敛速度,提升解的最优性.在此基础上,结合最短路求解策略,完成对侦察任务的时序...     

具有量子行为的粒子群优化算法的改进

为改善基本粒子群的全局、局部搜索能力和收敛速度、计算精度,基于标准PSO算法和量子理论基础之上,提出一种改进的基于量子行为的PSO算法—WbQPSO算法。新算法中,采用全同粒子系更新位置,并引入混沌思想,对每个粒子进行混沌搜索,另外通过在Mbest_i中加入权重系数,试图改善粒子群的全局、局部搜索能力和收敛速度以及计算精度。对经典函数的测试计算表明：改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法。     

一种具有初始化功能的自适应惯性权重粒子群算法

提出了一种改进的具有初始化功能的自适应惯性权重粒子群优化(PSO)算法.该算法首先引入自适应惯性权重策略均衡全局和局部搜索能力,并针对运行过程中出现停滞现象的粒子群,围绕其加权重心位置重新初始化,引导粒子突破了局部极值的限制,提高了算法的收敛速度.最后,将此算法、PSO算法及惯性权重线性递减的PSO(LDW-PSO)算法进行了比较.实验结果表明,该算法不仅有效地增强了粒子突破局部极值的能力,而且算法的收敛速度和稳定性也有了一定的提高.     

基于混沌策略状态转移算法的混沌系统参数辨识*

针对混沌系统的参数辨识是一个多维参数的优化问题,提出了基于混沌策略状态转移算法的混沌系统参数辨识方法。该方法是在初始化时以混沌序列初始化种群,在搜索过程中引入混沌变异机制,利用遍历性对状态进行变异操作,避免了过早收敛,提高了全局搜索能力。利用该算法辨识Lorenz混沌系统参数,并与基本状态转移算法和粒子群算法进行比较。仿真结果表明,在有无噪声干扰的情况下,该算法比粒子群算法和基本状态转移算法具有更好的辨识精度且比粒子群算法具有更好的收敛速度,证明了该算法的有效性和抗干扰性,对混沌理论的发展有重要的意义。     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

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。     

Swarm-based intelligent optimization approach for layout problem

Layout problem is a kind of NP-Complete problem. It is concerned more and more in recent years and arises in a variety of application fields such as the layout design of spacecraft modules, plant equipment, platforms of marine drilling well, shipping, vehicle and robots. The algorithms based on swarm intelligence are considered powerful tools for solving this kind of problems. While usually swarm intelligence algorithms also have several disadvantages, including premature and slow convergence. Aiming at solving engineering complex layout problems satisfactorily, a new improved swarm-based intelligent optimization algorithm is presented on the basis of parallel genetic algorithms. In proposed approach, chaos initialization and multi-subpopulation evolution strategy based on improved adaptive crossover and mutation are adopted. The proposed interpolating rank-based selection with pressure is adaptive with evolution process. That is to say, it can avoid early premature as well as benefit speeding up convergence of later period effectively. And more importantly, proposed PSO update operators based on different versions PSO are introduced into presented algorithm. It can take full advantage of the outstanding convergence characteristic of particle swarm optimization (PSO) and improve the global performance of the proposed algorithm. An example originated from layout of printed circuit boards (PCB) and plant equipment shows the feasibility and effectiveness of presented algorithm.     

Sugeno模糊积分粒子群优化算法的实验研究

粒子群优化算法是模拟鸟类觅食的行为思想的随机搜索算法,主要是通过迭代寻找最优解.将模糊积分技术引入优化算法调整粒子的多样性的同时动态改变惯性权重,以此来提高粒子的搜索能力.仿真实验结果表明,该方法大大提高了搜索过程中粒子的多样性,并缩短了粒子的搜索时间,保持快速的收敛性的同时获得了算法最优解.     

基于改进混合算法优化RBF网络的滤波器建模

为构建精确的微带线滤波器神经网络模型,提出一种结合自适应遗传算法和改进粒子群算法的混合算法。在自适应遗传算法中,构造二次型选择策略以提高优秀个体的复制概率,加快收敛到初始全局最优解;利用粒子群算法良好的局部搜索能力,在标准粒子群算法的位置迭代公式中引入高斯扰动项,以克服收敛速度慢和早熟收敛的缺点,提高搜索全局最优解的可能性。通过对测试函数仿真,验证改进算法的可行性。最后将混合算法用于优化神经网络参数,建立平行耦合微带线滤波器模型。结果表明,滤波器参数S21和S11的均方根误差至少减小18.22%与12.68%,微带滤波器建模精度得到提高,验证了该算法对滤波器建模的有效性和可靠性。