粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

一种基于混沌优化的混合粒子群算法

粒子群算法是一类基于群智能的优化搜索算法。该算法初期收敛很快,但后期易陷入局部最优点。为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,提出一种基于混沌优化的混合粒子群算法。该算法首先用粒子群算法进行快速搜索,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略。对两个典型的测试函数进行仿真表明,该算法能够摆脱局部极值,得到全局最优。将其用于（N＋M）系统费用模型求解,得到最优解,同样验证了该算法搜索效率、精度优于一般的粒子群算法,同时具有较好的收敛稳定性。     

基于混沌粒子群优化算法研究与进展

粒子群算法简单,只需要初等的教学知识就可以理解,但粒子群算法的工作机理到现在还是没有得到彻底而详细的分析研究,它属于一种还在发展的算法,PSO在优化复杂的多峰函数时,常常会陷入到局部极值点等缺点.混沌是存在非线性系统中的一种较为普遍的现象,具有随机性、遍历性和内在规律性的特点,尤其是混沌遍历性的特点,将混沌局部搜索引入到粒子群算法中,提出了混沌粒子群算法,改进了粒子群算法易陷入局部极值的不足,提高了算法的收敛速度,论述了混沌粒子群优化算法的研究与进展.     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.     

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。     

一种遗传算法与粒子群优化的多子群分层混合算法

针对遗传算法全局搜索能力强和粒子群优化收敛速度快的特点, 本文从种群个体组织结构上着手, 进行优势互补, 提出了一种遗传算法和粒子群优化的多子群分层混合算法(multi-subgroup hierarchical hybrid of genetic algorithm and particle swarm optimization, HGA–PSO). 算法采用分层结构, 底层由一系列的遗传算法子群组成, 贡献算法的全局搜索能力; 上层是由每个子群的最优个体组成的精英群, 采用钳制了初始速度的粒子群算法进行精确局部搜索. 文中分析论证了HGA–PSO算法具有全局收敛性, 并采用7个典型高维Benchmark函数进行测试, 实验结果显示该算法的优化性能显著优于其他测试算法.     

基于混沌机制的混合量子粒子群优化算法

针对量子粒子群优化算法在处理一般复杂函数时可以找到函数最优解但容易陷入局部极小等问题,提出利用混沌搜索解决早熟收敛的混合量子粒子群算法CODPSO。数值实验结果表明,与量子粒子群优化算法相比,该算法效率高、优化性能好,具有较强的避免局部极小能力,对初值具有较强的鲁棒性。     

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.     

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。     

基于混合粒子群算法的锌电解过程能耗优化

针对锌电解过程能耗过高的情况,研究其能耗优化问题.根据电力部门实行的分时计价政策,建立以全天锌电解过程电能消耗和总用电费用为目标的锌电解过程多目标优化模型.提出一种带加速度调整的粒子群优化算法,当粒子陷入局部最优时,通过加速度策略增强种群速度,使算法获得持续搜索的能力,有效克服早熟收敛;并和Powell算法相结合构成新的混合粒子群算法,将粒子群算法的全局搜索能力与Powell算法的局部寻优能力有机结合起来.最后将该混合粒子群算法应用于所建优化模型的求解,获得优化生产方案.仿真结果证明了该算法的有效性.工业应用效果表明,按所得优化方案组织生产降低了电能消耗,减少了用电费用.     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。     

基于样条插值函数的离散过程神经网络训练*

为解决过程神经元网络不能直接输入离散样本的问题,提出基于样条插值函数的离散过程神经网络训练算法。首先,将离散过程样本按采样点分段,在采样区间内分别构造样本和权值的分段样条函数;然后,计算样本函数和权函数的乘积在采样区间上的积分,并将此积分值提交给网络的隐层过程神经元;最后,在输出层计算网络输出。分别采用一次、二次、三次样条函数,设计了三种不同的算法。实验结果表明：一次样条计算效率高,逼近能力差;三次样条计算效率低,但逼近能力好;二次样条在计算效率和逼近能力两方面都比较理想。因此,二次样条函数是离散过程神经网络的较好选择。     

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特 构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明,此算法具有较好的稳定性和有效性。     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

用过程神经网络和遗传算法实现系统逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,本文提出了一种基于过程神经网络和遗传算法相结合的方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络.然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.文中给出了具体的实现算法并给出了此方法的一个应用实例.     

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。     

一种保持PSO与GA独立性的混合优化算法

提出了一种基于粒子群和遗传算法的新混合算法。该算法首先将样本集分为N组,每一组分别进行不同参数的粒子群或遗传运算,在每一步的迭代中选取了粒子群算法和遗传算法的最优值作为全局最优,使每一步的迭代都优于单一的PSO和GA算法,进而提高了算法整体的性能。与其他混合最优化算法不同的是,该算法没有破坏粒子群和遗传算法的独立性,而是仅通过全局最优样本把两个算法结合在一起。在经典测试函数的仿真实验中,新算法表现了更好的寻优性能及寻优稳定性。     

基于最具影响粒子群优化的BP神经网络训练

系统地介绍了粒子群优化算法,将粒子群优化算法用于BP神经网络的学习训练,提出了一种改进的粒子群算法——最具影响粒子PSO算法BIPSO,并利用复合适应度即均方误差和误差均匀度之和作为BIPSO训练神经网络的指标,并对它与其他的神经网络训练算法诸如BP算法、GA算法、PSO算法进行了比较。实验结果表明:BIPSO性能优于其他算法,更容易找到全局最优解,具有更好的收敛性。     

基于协同进化遗传算法的神经网络优化

人工神经网络的结构设计没有系统的规律可循,而基于梯度的神经网络参数优化又易于陷入局部最优解.该文研究了用带退化的协同进化遗传算法来优化神经网络结构,同时优化网络参数.将网络参数作为实数编码基因进行遗传选择,参数个体的受损率超过退化阀值时发生结构退化.退化进程由协同进化的控制个体动态控制.实验证明,该方案能够有效简化神经网络的结构和得到最优网络参数,收敛速度比常规遗传算法快.