一种新的自适应混沌粒子群算法

提出了一种新的自适应混沌粒子群算法。在标准粒子群算法中引入An混沌映射,以特殊的方式,利用An混沌映射来初始化粒子的位置和速度,并且每隔一定的代数就用An混沌扰动部分粒子的位置和速度。数值仿真的结果表明,该算法的收敛性和全局搜索能力得到提高,能有效避免早熟收敛。     

一种新的混沌免疫遗传算法

将免疫算法、混沌与遗传算法相结合,提出了一种新颖的混沌免疫遗传算法,该方法利用混沌运动的遍历性、随机性来产生初始种群,加快搜索的速度;利用免疫原理的浓度计算及调整加入新的混沌序列来补充种群,增加种群的多样性避免陷入局部最优;交叉变异结束后在最优解附近再用混沌进行局部寻优提高解的精度。实验结果表明,所提出的算法能寻找到更好的优化结果,并且在搜索速度上明显优于遗传和免疫遗传算法。     

基于混合粒子群算法的云计算任务调度研究

任务调度是云计算系统可靠运行的关键,云计算环境中要处理的任务量巨大,考虑到云计算任务调度和QoS的优化问题,提出一种混合粒子群优化算法用于云任务调度。算法中引入遗传算法的交叉和变异思想,并结合随迭代次数变化的变异指数,保证种群进化初期具有较高的全局搜索能力,避免出现“早熟”,同时将爬山算法引入粒子群算法,改善局部搜索能力。实验结果显示该算法具有很好的寻优能力,是一种有效的云计算任务调度算法。     

协同多目标攻击空战决策的启发式粒子群优化算法

利用协同多目标攻击战术的特定知识，并结合粒子群算法，提出了一种用于空战决策的启发式粒子群算法。该算法利用粒子群算法对解空间探索能力强，容易跳出局部最优陷井及启发式算法局部搜索能力强的优点，快速、高效地对全局最优值进行搜索。该算法通过求解友机导弹对目标的最优分配来确定空战决策方案。仿真实验结果表明。本文算法对最优空战决策方案的搜索性能明显优于普通粒子群算法及其他两种遗传算法。     

PSO算法加速因子的非线性策略研究

为了有效地控制PSO算法的全局和局部搜索能力,着重分析了PSO算法中加速因子对粒子收敛的影响,提出加速因子采用反余弦非对称策略能有效提高PSO算法的搜索性能。对5种加速因子策略使用4个著名的基准函数进行测试,试验结果表明,反余弦非对称方法可以使粒子在搜索的初期获得更好的多样性,在算法后期则可以有效增强粒子的搜索能力,从而使算法具有更强的摆脱局部极值的能力,提高算法的收敛精度。     

基于改进遗传算法的配电网动态无功优化

综合混沌变异的泛化能力和邻域搜索的局部寻优能力,实现配电网动态无功优化问题的快速求解.利用混沌神经元的输入输出特性建立变异算子与种群多样性测度的自适应关系,实现种群多样性的动态调节,提出基于优秀个体特征信息的邻域搜索,实现局部寻优.在编码过程中,结合配电网动态无功优化的特点提出一种由投运组数和投运时间构成的两段式整数编码方式,缩短了染色体长度、消除了不可行码.IEEE69配电网算例结果表明本文方法在全局收敛性以及克服早熟等方面具有优势.     

基于混沌变量的模式搜索法及其应用

提出了基于混沌变量的模式搜索法.在探索移动中,由混沌遍历性来生成移动方向和步长;在模式移动中,针对粗搜索与细搜索分别采取最优一维搜索和直接模式搜索.将全局优化能力强的混沌优化融入到模式搜索法中,且采取二级模式移动,搜索效率高.算法应用于模糊神经网络权值优化,仿真验证了其优良性能.     

一种量子粒子群算法的改进方法

针对量子粒子群算法存在的问题,设计基于公共历史的两种群并行搜索的量子粒子群算法.在利用群体历史优质解及最优粒子变异的基础上,对粒子群进行筛选,加快粒子群的收敛速度,并采用两种群并行搜索,防止同时陷入局部极值.通过多个函数的测试,该算法在收敛速度及寻找全局最优方面,都表现出较好的效果.     

基于引导策略自适应粒子群算法的农村电网无功优化

粒子群优化算法在农村电网无功优化领域已有广泛应用,但算法存在不足,易陷入局部极值。算法中粒子更新方式和惯性权重是影响搜索能力的关键因素,提出了一种基于引导策略的自适应粒子群算法(adaptive particle swarm optimization algorithm with guiding strategy,GSAPSO),该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导来克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,粒子更新方式和惯性权重的改进极大地提高了搜索到全局最优解的有效性。以IEEE 30节点测试系统为例进行仿真计算,采用GSAPSO算法无功优化计算后最优降损率可达到18.966%,节点最低电压为1.0091p.u.,最优解迭代次数45次,平均迭代次数64.6次,相比标准粒子群算法(PSO)、随机权重粒子群算法(wPSO)和惯性权重线性递减的粒子群算法(LDWPSO)均有很大提升。仿真结果表明:应用GSAPSO算法求得的解质量更高,收敛速度和精度明显高于其他3种算法,说明该算法具有更好的寻优能力和收敛性能。     

一种改进的极值动力学优化算法

针对基本的极值动力学优化算法容易陷入局部最优解、数值寻优能力较差甚至不能寻优等缺点,提出一种带柯西变异的基于种群的极值动力学优化算法。改进后的算法不仅具有局部搜索能力还具有全局搜索能力,同时提高了收敛速度和精确度。     

半确定性的遗传算法

在采用遗传算法进行函数优化的过程中存在的一个严重的缺陷是：算法能很快地收敛到最优点附近，但要达到最优点需要很长的时间。针对这一缺点通过如下3个新的遗传算子构建了一个新的遗传算法：半确定性的变异算子，Hamming-decreasing和设计变量的自适应定标，以加强遗传算法的局部搜索能力。该算法充分利用基于概率的遗传算子的全局搜索能力和新算子较强的局部搜索能力。算例表明，新的遗传算法具有很强的鲁棒性和较快的计算速度。     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于混沌PSO和K均值算法的移动用户分类

为了克服经典K-Means算法随机选择初始数据中心而易陷入局部最优解和聚类结果的不确定性问题，提出一种基于粒子群和K-Means算法的改进聚类算法以实现移动用户分类。首先，定义数据对象密度并采用改进的普里姆算法初始化聚类中心，然后，将此聚类中心用于初始化粒子位置，采用混沌粒子群算法寻优获得最优解作为最终的聚类中心，最后，采用经典K-Means算法根据最终聚类中心进行聚类。仿真实验表明文中方法能正确地实现移动用户分类，并具有较强的全局寻优能力和较快的收敛速度，弥补了经典K-Means方法的不足，具有较强的现实意义。     

基于改进PSO算法的水轮机PID调速器的参数设计

为了提高水轮机PID调速器的控制质量,引入PSO算法优化PID控制器的部分参数,针对传统粒子群算法的不足,引入自适应惯性权重调整因子对粒子速率更新策略进行改进,同时结合微分进化算子提高种群多样性,扩大PSO算法搜索解空间的能力,仿真实例表明,改进后的PSO算法收敛速度快,稳定性好,复杂程度低,具有良好的全局搜索能力。经过该算法优化过的PID调速器对负荷扰动具有较强的鲁棒性。     

混凝土强度预测的混沌优化神经网络模型

BP神经网络方法由于综合考虑了高强度、高性能混凝土强度的各种影响因素，能够实现非线性关系，可以用于混凝土强度预测上。为克服传统BP网络收敛速度慢、易出现麻痹现象等不足，本文采用自适应变步长(ABPM)算法来改进的BP神经网络，提出了基于混沌优化的自适应变步长(ABPM)神经网络模型，并将其预测结果和训练效率进行了分析。该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明，混沌优化的ABPM神经网络用于混凝土强度的预测，方法简单可行，搜索速度快，预测结果可靠、精度高。     

多种群差分进化算法及在柔性车间作业调度中的应用

针对柔性车间作业调度问题,在深入分析差分进化算法的基础上,提出了一种多种群差分进化算法.该算法基于DE/rand/2/bin变异方式全局搜索能力强,鲁棒性好,和DE/best/2/bin变异方式局部搜索能力强,收敛速度快;包含若干个普通种群和一个精英种群,普通种群采用DE/rand/2/bin变异方式,精英种群采用DE/best/2/bin变异方式,普通种群和精英种群及普通种群之间在适当的时候进行优秀个体迁移,以实现全局搜索能力和收敛速度之间的平衡,并从现实生产实际出发,建立了双目标柔性车间作业调度数学模型.最后,将该算法应用于一个调度算例,仿真结果表明,该算法可行有效.     

基于改进的粒子群优化算法确定河流水质参数

【目的】将改进的粒子群优化算法应用于河流水质模型参数求解,为预估河流水质参数提供一种有效的方法。【方法】以粒子群算法为基础,用混沌序列的产生过程模拟粒子初始化提高算法的全局搜索能力,加入单纯形算法提高计算精度,建立改进的粒子群优化算法。用改进的粒子群优化算法对一维及二维河流水质模型参数进行求解,并进行实例验证。【结果】改进的粒子群优化算法可以有效地应用于一维及二维河流水质模型参数的求解;随着参数取值区间的不断扩大,算法的运算时间增加;改进的粒子群优化算法比粒子群优化算法具有更好的收敛性且计算精度更高。【结论】改进的粒子群优化算法能改善原算法易陷入局部最优解的不足,是分析河流水团示踪试验数据、预估一维及二维河流水质模型参数的一种有效方法。     

基于混沌免疫进化算法的汽车主动悬架控制策略研究

提出一种基于混沌免疫进化算法的1/4汽车主动悬架控制方法.在免疫进化算法的基础上,利用混沌运动的特点,对初始种群混沌初始化,且根据个体评价值对群体进行不同幅度的混沌载波,既可保护优秀个体,又可进行遍历搜索,跳出局部极小值,达到快速寻优的效果.仿真结果表明:与免疫进化控制比较,采用混沌免疫进化控制,汽车的平顺性和安全性得到了更好的改善.     

一种基于PSO-RBF神经网的入侵检测方法

针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高.