分片Lorenz混沌轨道堆栈聚集变密度振荡搜索算法

混沌优化算法是一种可用于求解复杂连续函数极值的智能优化算法,相对经典优化算法如遗传、模拟退火、蚁群算法等具有更强的全局搜索能力.但现有混沌优化算法存在边缘游走现象,削弱了混沌优化算法的优势且求解能力有限.故首先改进设计了分片Lorenz混沌模型,通过仿真实验验证该模型具有优于Logistic系列混沌模型的搜索均匀度与鲁...     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。     

基于分层多子群的混沌粒子群优化算法

在分层多子群结构模型的基础上,提出一种混沌粒子群优化算法(HCPSO).该算法对非线性递减的惯性权重进行混沌变异,并采用了混沌搜索方法.在更新全局历史最优位置每一维分量时,选取不同的若干个体作为学习对象,并计算它们的平均位置.混沌搜索区域半径可根据粒子个体最优位置与上述平均位置间的距离自适应地调整.通过对几种典型函数的测试结果表明,该算法具有较好的全局搜索和局部搜索能力,可有效避免早熟收敛问题.     

一种分片混沌贪婪振荡退火TSP优化算法

引入自适应升温策略或使用蒙特卡罗策略的模拟退火算法在复杂TSP求解时分别表现出收敛缓慢和全局最优逼近能力有限的问题;而现有的混沌优化算法由于logistic映射的缺陷,削弱了其跳出局部最优的能力.故设计一种融合型算法框架,在框架中嵌入分片Lorenz混沌映射系统,加强混沌算法对邻域解的搜索均匀度;引入了贪婪策略构造逼近全局最优解的初始解,使算法具有跃迁到全局最优解邻域的能力;此外设计了振荡退火互补机制,改善了子迭代解筛选过程,增强算法全局搜索性能.实现算法后,使用国际公开TSPLIB算例,经过多轮对比测试,验证了新算法对TSP的求解性能指标优于对比组模拟退火算法和logistic混沌优化算法,具有更短的收敛时间和更强的全局最优逼近能力.     

自适应和声粒子群搜索算法

针对现有改进和声搜索算法(IHS)的不足,提出一种自适应和声粒子群搜索算法(AHSPSO).首先对和声记忆库中每个变量用粒子群算法寻优,再利用自适应参数PAR和bw调节来提高对多维问题的搜索效率.利用5个标准的优化算法测试函数对AHSPSO算法进行测试,并与IHS,PSO和SA算法进行对比,仿真结果表明了AHSPSO算法具有较强的精确寻优和跳出局部最优的能力.     

基于逐次优化和禁忌搜索算法的混沌优化方法

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点,提出了基于逐次优化和禁忌搜索算法的混沌优化方法.该方法具有逐次优化算法的隐性并行性和收敛性,禁忌搜索的智能性和变尺度混沌优化方法的快速性.仿真计算表明,该方法具有实现简单,优化效率高,鲁棒性强等特点,是求解大规模非线性规划问题的一种有效手段.     

自适应变邻域混沌搜索微粒群算法

针对局部地形复杂、振荡强烈的函数优化精度难以提高的问题,提出一种自动调整邻域搜索范围和方向的自适应变邻域混沌搜索微粒群算法（AVNC－PSO）。优化初期首先由基本PSO算法进行粗调,当种群收敛于局部最优时,选择飞行停滞且聚集程度高的粒子向不同方向的邻域内进行混沌搜索,搜索方向和粒子偏移量根据粒子与收敛中心的距离和混沌变量的值共同确定。数值仿真表明,该算法能够使局部搜索更精确,有效改善基本PSO算法优化精度不高的弱点。     

混沌量子粒子群优化算法

针对量子粒子群优化算法在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了混沌量子粒子群优化算法.采用了基于群体适应值方差的早熟判断机制,同时提出了一种基于混沌搜索的新方法,提高了搜索效率.数值实验结果表明,混沌量子粒子群算法效率高、优化性能好,且具有很强的避免陷入局部最优的能力,其性能远远优于一般的粒子群算法和量子粒子群算法.     

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。     

融合并行混沌萤火虫算法的K-调和均值聚类

针对K-调和均值算法易陷于局部最优的缺点,提出一种基于改进萤火虫算法(firefly algorithm, FA)的K-调和均值聚类算法。将基于FA的粗搜索与基于并行混沌优化FA的精细搜索相结合,其中精细搜索部分首先通过FA搜索到当前最优解及次优解,然后通过改进的logistic映射与并行混沌优化策略产生混沌序列在其附近直接搜索,以增强算法的寻优性能。最终,将这种改进的FA用于K-调和均值算法聚类中心的优化。实验结果表明:该算法不但对几种测试函数具有更高的搜索精度,而且对6种数据集的聚类结果均有一定的改善,有效地抑制了K-调和均值算法陷于局部最优的问题,提高了聚类准确性和稳定性。     

融合K-调和均值的混沌粒子群聚类算法

针对K-调和均值和混沌粒子群聚类算法的优缺点,提出了一种融合K-调和均值的混沌粒子群聚类算法。首先通过K-调和均值方法把粒子群分成若干个子群体,每个粒子根据其个体极值和所在子种群的全局极值来更新位置。其次,算法中引入变尺度混沌变异,抑制了早熟收敛,提高了计算精度。实验证明,该算法可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力,明显改善了聚类效果。     

多目标自适应混沌粒子群优化算法

提出一种多目标自适应混沌粒子群优化算法(MACPSO). 首先, 基于混沌序列提出一种新型动态加权方法选择全局最优粒子; 然后, 改进NSGA-II 拥挤距离计算方法, 并应用到一种严格的外部存档更新策略中; 最后, 针对外部存档提出一种基于世代距离的自适应变异策略. 以上操作不仅提高了算法的收敛性, 而且提高了Pareto 最优解的均匀性. 实验结果表明了所提出算法的有效性.

     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

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。     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

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。     

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。     

参数不确定Liu混沌系统的自适应同步

在研究单变量驱动同步的基础上,应用自适应控制理论,研究了当系统存在一个或多个不确定参数时,Liu混沌系统的同步问题.通过Lyapunov函数,推导了不同参数未知情况下误差系统渐进稳定的充分条件.仿真结果证明了自适应控制律能够快速辨识系统参数,并实现两个Liu混沌系统的状态同步.