基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点，根据混沌运动的随机性、遍历性特点，提出一种基于混沌思想的粒子群优化算法（CPSO）、该算法利用种群适应度方差进行早熟收敛判断，实现对进化过程的监视，当发现种群陷入局部最优时，对种群进行混沌初始化，帮助种群摆脱局部最优点．对4种典型测试函数的仿真结果表明，改进算法明显减少了种群陷入局部最优的可能性．其全局寻优能力明显强于标准粒子群优化算法．     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

一种新改进的粒子群优化算法

由于粒子群优化算法对多极值复杂问题求解时容易陷入局部极值,提出一种新改进的粒子群优化算法。该改进算法是将粒子群进化过程分为两个不同的阶段,每个阶段应用不同的进化模型,通过结合这两种进化模型的各自优点有效地降低群体陷入局部最优。由仿真实验结果可知,对于复杂多极值函数优化问题,本文算法比标准粒子群优化算法的全局寻优能力更强。     

基于时间因子的混沌粒子群优化K-means算法

针对传统的K-means算法对初始聚类中心取值敏感和易陷入局部最优解等缺点,提出一种带时间因子的改进粒子群优化(Particle Swarm Optimization,PSO)聚类算法。首先在PSO算法中引入反映时间效应的动态调整时间因子,以避免粒子在最优解附近震荡,为保证粒子在规定范围内运动,采用边界缓冲墙对越界粒子进行处理;其次针对粒子群算法存在的全局搜索性能问题,通过改进的混沌技术对粒子群进行扰动,以混沌搜索替代随机搜索,确保种群的多样性,进而使粒子群向更优的方向移动;最后将改进后的粒子群算法结合K-means算法,以提高粒子的局部勘探能力,从而更快地找到全局最优位置。对UCI中的Iris数据集和Wine数据集仿真表明,该算法相比其他2种算法,聚类准确率分别增长了5.1%和1.3%,1.79%和1.09%。     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于混沌和多群体的粒子群优化算法

由于基本粒子群优化算法存在初始化随机性和遍历性不强,全局搜索容易陷入局部最优的问题,提出了基于混沌和多群体的粒子群优化算法,利用混沌特性初始化粒子,增强其随机性和遍历性,并根据适应度值将粒子群划分为多个群体,对不同群体中粒子的速度和位置采取不同的计算方法,进一步提高算法的收敛速度和精度。     

基于组合混沌序列动态粒子群算法的电力系统无功优化

无功优化对提高电力系统的安全性和稳定性具有重要意义.针对传统粒子群算法在求解大规模、强非线性无功优化时易陷入早熟、局部收敛等问题,应用Logistic混沌优化方法,充分利用其遍历性进行寻优.另外,为保障粒子群算法初值的均匀性,结合Chebyshev映射和Logistic映射,引入一种组合混沌映射并将其应用于粒子初始化,提高初始变量的均匀性,从而提高算法全局寻优能力.对粒子群速度更新过程中存在的惯性取值问题,引入一种基于种群速度的动态惯性权重策略.最后将这一算法应用于电力系统无功优化.算例表明,算法具有较强的全局搜索能力和较高的效率.     

基于混沌粒子群算法的车间作业调度优化

为提高车间作业调度效率,提出一种基于混沌粒子群算法的车间作业调度优化方法。首先以机器加工时间最短为优化目标,建立一个多约束的车间作业调度数学模型,然后采用粒子群算法对其进行求解,并通过采用混沌机制保持粒子多样性。仿真测试表明,混沌粒子群算法可以获得车间作业调度方案,具有一定应用价值。     

混沌映射的粒子群优化方法

为提高粒子群优化的求解性能,在分析了粒子群优化原理的基础上,给出了两种混沌映射的映射规则．构建了基于Logistic映射的混沌粒子群优化方法以及基于Lozi's映射的混沌粒子群优化方法,并给出了两类约束条件的处理方法．采用基于Logistic映射的混沌粒子群优化方法和基于Lozi's映射的混沌粒子群优化方法以及标准粒子群优化方法分别对benchmark有约束优化实例进行求解．对各种方法获得的最优解、成功率指标、平均有效迭代数、迭代占用时间等方面作对比,结果表明: 采用基于Lozi's射映的混沌粒子群优化方法具有求解精度高、优化效率高等优点．     

一种适用于电网扩展规划问题的边界搜索粒子群优化算法

针对电网扩展规划问题,根据粒子群算法收敛性受初始粒子分布影响较大的特点,结合边界搜索思想,提出了一种粒子群初始化方法。该方法利用边界搜索策略对粒子群进行初始化,使粒子初始化在安全边界附近,优化了粒子群的初始化范围。最后通过算例证明了这种方法应用于电网规划的有效性。     

Energy transmission modes based on Tabu search and particle swarm hybrid optimization algorithm

In China, economic centers are far from energy storage bases, so it is significant to select a proper energy transferring mode to improve the efficiency of energy usage. To solve this problem, an optimal allocation model based on energy transfer mode was proposed after objective function for optimizing energy using efficiency was established, and then, a new Tabu search and particle swarm hybrid optimizing algorithm was proposed to find solutions. While actual data of energy demand and distribution in China were selected for analysis, the economic critical value in comparison between the long-distance coal transfer and electric power transmission was gained. Based on the above discussion, some proposals were put forward for optimal allocation of energy transfer modes in China. By comparing other three traditional methods that are based on regional price differences, freight rates and annual cost with the proposed method, the result indicates that the economic efficiency of the energy transfer can be enhanced by 3.14%, 5.78% and 6.01%, respectively.     

减少速度更新频率的混沌粒子群算法

把速度更新策略和混沌优化相结合,提出了减少速度更新频率的混沌粒子群算法．该算法根据群体适应值的方差进行早熟收敛判断,从而使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期优秀的搜索速度的特性．通过几个基准函数测试,结果表明,新算法的性能较基本粒子群优化算法有明显的改善．     

基于反馈策略的自适应粒子群优化算法

为了克服常规粒子群优化（SPSO）算法在多峰函数寻优应用中容易出现早熟的缺点，提出了一种基于反馈策略的自适应粒子群优化（APSO）算法.考虑到进化过程中群体多样性损失过快，采用种群分布熵和平均粒距两个种群多样性参数，来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析，建立了惯性权值与平均粒距之间的线性函数关系，并将该函数关系融入到APSO算法中.测试结果表明，与常规粒子群优化算法相比，该算法在多峰函数寻优时，成功率和精确度都有显著提高，且全局收敛速度快；在求解异或（XOR）分类问题时成功概率提高，收敛速度加快，APSO算法对神经网络的训练更加有效.     

融合PSO算法思想的进化算法

粒子群算法(particle swarm optimization,PSO)是仿真于生物群体的社会行为的一种智能优化算法,其原始形式难以体现数学的直观性和本质性。然而,在简化算法原始模型的基础上,PSO算法的理论分析得到其数学模型,并且说明了其是一个迭代进化系统。利用PSO算法的数学模型代替标准PSO算法速度及位置的迭代公式,并选择适当的参数,从而构造了一种新的进化算法。新的进化算法形式更能直接体现PSO算法的数学思想。经仿真试验表明,新的进化算法效果不差于标准PSO算法,并且参数少且容易分析。