基于混沌微粒群优化算法的阈值图像分割

混沌微粒群优化算法利用了粒子群优化算法收敛速度快和混沌运动所具有的随机性、遍历性和初值敏感性,将混沌状态引入到优化变量中,把混沌的遍历范围映射到优化变量的取值范围.在算法执行过程中对优秀个体混沌扰动,有利于跳出局部极值点,搜索到全局最优解.分别用微粒群优化算法和混沌微粒群优化算法求解函数优化问题,对算法的性能进行检验,检验结果显示:混沌微粒群优化算法搜索全局最优解的成功率和收敛速度都要优于微粒群优化算法.将混沌微粒群优化算法与阈值法相结合,在算法初始化阶段对粒子位置混沌初始化;在算法运行期间对优秀个体进行混沌扰动避免落入局部最优,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明,混沌微粒群优化算法用于阈值寻优减少了搜索时间,提高了收敛率.     

基于混沌变异的自适应双粒子群优化

针对粒子群优化在解决高维优化问题时收敛性差、搜索效率不高的问题,在对粒子群优化算法收敛性分析的基础上,提出了混沌变异对极值进行扰动的方法,以增强算法摆脱局部最优解的能力.采用自适应惯性权重和局部邻域搜索保持较高的局部搜索性能,并结合双粒子群协同进化的方法,综合平衡优化算法的全局搜索和局部搜索能力.通过对4个典型测试函数进行的对比实验,表明了所提出的算法能大大提高粒子群优化的搜索效率和收敛精度.     

求解高维优化问题的混合灰狼优化算法

针对基本灰狼优化算法在求解高维优化问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出一种基于混沌映射和的精英反向学习策略的混合灰狼优化算法用于解决无约束高维函数优化问题. 该混合算法首先采用混沌序列产生初始种群为算法进行全局搜索奠定基础;对当前种群中的精英个体分别执行精英反向学习策略以协调算法的勘探和开采能力;在搜索过程中对决策层个体进行混沌扰动,以避免算法陷入局部最优的可能性. 选取10个高维(100维、500维和1000维)标准测试函数进行数值实验,结果表明混合灰狼优化算法在求解精度及收敛速度指标上明显优于对比算法.     

基于多目标优化的应用层多播路由方案

针对网络中的多播路由问题,提出了同时兼顾时延、平衡和网络层业务量均衡多目标优化的应用层多播路由优化模型.该模型综合了网络层多播的高效率和应用层多播的灵活性的优点.通过将混沌免疫进化算法用于解决应用层多播路由多目标优化问题,最终产生一组最优非劣解集.该算法能够较好地保持种群的多样性,且收敛速度快,搜索能力较强,可以克服采用单目标路由优化方法的不足.最后仿真实验结果表明了该算法的有效性.     

一种新型的混沌步长果蝇优化算法

针对果蝇优化算法存在算法易早熟、收敛不足的问题,将Hénon混沌映射引用为步长因子,提出了一种混沌步长果蝇优化算法。利用Hénon映射所产生的混沌现象具有良好的遍历性、多样性的特点来改进果蝇算法的固定步长,并增加放大系数以提高算法的全局和局部搜索能力以及跳出局部最优解的能力。对10个经典测试函数进行测试,并与多个算法进行了对比分析,研究结果表明,该算法具有较高的全局搜索和跳出局部最优解的能力。     

混沌海豚群优化灰色神经网络的空中目标威胁评估

分析空中目标威胁评估特点,综合考虑威胁价值、威胁能力和威胁程度,建立空中目标威胁评估框架;针对海豚群算法易陷入局部最优和早熟收敛等问题,提出一种混沌海豚群算法,将混沌搜索策略引入海豚群算法,通过混沌初始化、动态分群和早熟优化机制,提高算法的全局寻优能力;利用混沌海豚群算法对灰色神经网络的初始参数寻优,通过搜索到的最优解建立基于混沌海豚群算法优化的灰色神经网络模型,并用于空中目标威胁评估.仿真实验表明,混沌海豚群算法优化的灰色神经网络在保证一定收敛速度的基础上,能够提升寻优精度,对测试集的预测效果优于传统灰色神经网络和基本海豚群优化的灰色神经网络,验证了所提算法模型在空中目标威胁评估中的有效性.     

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。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。     

混沌微粒群优化算法在图像匹配中的应用

针对传统图像匹配计算量较大、匹配速度慢、抗干扰能力差的问题,将混沌算子与微粒群优化算法相结合,提出一种鲁棒性强、计算速度快的图像匹配方法。该算法利用微粒群优化算法的收敛快速性和混沌运动的遍历性、随机性等特点,实现了非遍历性搜索。在算法初始化阶段,对粒子位置混沌初始化;在算法运行期间,对优秀个体进行混沌扰动避免落入局部最优。提高了算法对多维空间的全局搜索能力,并可以有效避免早熟现象。实验结果表明该算法的图像匹配具有快速性和较高的准确性,对解决噪声情况下的图像匹配问题十分有效。     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

一种混合粒子群算法的贝叶斯网络优化模型

传统的粒子群优化算法通过群体中粒子间的合作和竞争进行群体智能指导优化搜索,算法收敛速度快,但较易陷入局部较优值,进入早熟状态。为了解决这个问题,提出了一种混合粒子群算法的贝叶斯网络优化模型,它可以通过当前所选择的较优解群构造一个贝叶斯网络和联合概率分布模型,利用这个模型进行采样得到更优解,用其可随机替换掉PSO中的一些粒子或个体最优解;同时利用粒子群算法对当前选择出的较优解群进行深度搜索,并将得到的最优解融入到较优解群中。分析可知,该方法可以提高算法有效性和可靠性。     

基于GM-QPSO算法的数据库查询优化

针对量子粒子群算法解决数据库查询优化问题存在缺陷,提出一种高斯变异量子粒子群算法的数据库查询优化方法（GM-QPSO）。首先将遗传算法的变异算子引进量子粒子群优化算法,使得粒子在近似最优解附近变动提高全局搜索能力,然后将其应用于数据库查询优化问题求解,最后通过仿真实验对GM-QPSO的性能进行测试。结果表明,GM-QPSO加快了数据库查询优化求解的收敛速度,获得了质量更高的查询优化方案。     

混沌粒子群算法及其在发电资源调度中的应用

为了有效地解决水火电力系统资源短期优化调度问题,提出了一种基于混沌粒子群算法的调度方案。设计了水火电力系统资源调度问题的数学模型,给出了混沌粒子群调度算法的框架,通过引入最优粒子的混沌搜索机制、优势粒子和劣势粒子的权重自适应调节机制,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,本算法方案能有效解决水火发电资源调度问题,具有较好的应用价值。     

Nonconvex resource control and lifetime optimization in wireless video sensor networks based on chaotic particle swarm optimization

Wireless video sensor networks (WVSNs) have attracted a lot of interest because of the enhancements that they offer to existing wireless sensor networks applications and their numerous potential in other research areas. However, the introduction of video raises new challenges. The transmission of video and imaging data requires both energy efficiency and quality of service (QoS) assurance in order to ensure the efficient use of sensor resources as well as the integrity of the collected information. To this end, this paper proposes a joint power, rate and lifetime management algorithm in WVSNs based on the network utility maximization framework. The optimization problem is always nonconcave, which makes the problem difficult to solve. This paper makes progress in solving this type of optimization problems using particle swarm optimization (PSO). Based on the movement and intelligence of swarms, PSO is a new evolution algorithm to look for the most fertile feeding location. It can solve discontinuous, nonconvex and nonlinear problems efficiently. First, since chaotic mapping enjoys certainty, ergodicity and the stochastic property, the paper introduces chaos mapping into PSO with adaptive inertia weight factor to avoid the disadvantage of original PSO of easily getting to the local optimal solution in the later evolution period and keep the rapid convergence performance. Second, based on the distribution characteristics of the actual network, we decompose the resource control problem into a number of sub-problems using the hierarchical thought, where each user corresponds to a subsystem which is solved using the proposed CPSO3 method. Through the cooperative coevolution theory, these sub-optimization problems interact with each other to obtain the optimum of the system. Numerical examples show that our algorithm can guarantee fast convergence and fairness within a few iterations. Besides, it is demonstrated that our algorithm can solve the nonconvex optimization problems very efficiently.     

基于进食粒子群和共轭梯度的混合优化策略

传统粒子群算法初期搜索过程中,种群过快地向当前最优粒子飞行,易导致早熟收敛;而算法后期,粒子大量聚集,算法收敛速度慢。通过引入种群进食和二次飞行,提出一种全局性的进食粒子群算法(EPSO),使局部最优附近的粒子进食后快速飞离,以改善种群多样性。并将共轭梯度法(CG)与EPSO相结合形成一种混合优化策略,其中CG用于EPSO的局部搜索过程,以提高收敛速度和精度。利用高维标准测试函数进行寻优实验,并与近年文献方法进行对比,实验结果表明该算法能够克服局部最优的不足,同时继承了CG局部寻优精度高和收敛速度快的特点。     

基于改进引力搜索算法的桁架结构优化设计

引力搜索算法是近几年提出的较有竞争力的群智能优化算法,然而,标准引力搜索算法存在后期收敛速度慢的缺点。为有效利用优化算法来解决结构优化的问题,提出一种改进的引力搜索算法(improved gravitational search algorithm,IGSA)。通过引入Logistic映射,使GSA初始种群遍历整个搜索空间,提高算法找出最优解的可能性。通过引入粒子群算法(particle swarm optimization,PSO)的信息交互机制,利用个体粒子历史最佳位置和种群历史最佳位置动态调整粒子的速度和位置,使个体粒子更快地向适应度值更高的位置移动,使算法搜索能力加强。对6个经典测试函数进行寻优,结果表明改进后算法收敛速度快,收敛精度高,稳定性较佳,跳出局部最佳解的能力较强。用IGSA和GSA对72杆空间桁架进行尺寸优化,与其他算法相比,结果表明IGSA得到最优值的迭代次数明显减少,得到的最优解明显优于通用算法。     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

一种利用膜计算求解高维函数的全局优化算法

鉴于传统优化算法在求解高维多模态优化问题时存在收敛速度慢,求解精度低的缺点,针对上述问题提出了一种基于膜计算的优化算法。算法首先对高维空间进行分割,分割后每个子空间作为一个基本膜,基本膜区域中采用差分局部搜索策略提高算法的局部搜索能力和收敛速度。基本膜区域将局部最优解定时传送给表层膜。表层膜区域中采用全局搜索策略寻找全局最优解。通过对5个benchmark函数仿真验证,实验结果表明,该算法在收敛速度,求解精度和稳定性方面都有较大优势。     

基于近邻牵引算子的离散黑猩猩优化算法

针对旅行商问题的特点,提出基于近邻牵引算子的离散黑猩猩优化算法.首先,引入优质片段的概念,并结合每个群组的最优个体设计其检索方法,以提高组内学习策略的效果,根据组合优化问题特点对黑猩猩群体的狩猎过程进行离散化表示;其次,通过组间交流机制消除部分个体路径交叉;最后,为了克服传统的邻域搜索算子收敛慢和搜索效率低的缺点,提出一种新的邻域搜索方式—–近邻牵引算子,其搜索目的更加明确、收敛更高效,并设计自适应概率扰动调控策略,以有效平衡算法的探索与开发.对30个TSP标准数据集进行实验,结果表明,所设计的离散黑猩猩优化算法求解质量高、收敛速度快,可以应用于组合优化问题求解.