混沌变异粒子群优化算法及其应用研究

为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO).基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度.将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性.     

三群粒子群优化算法及其在丙烯腈收率软测量中的应用

提出了一种三群粒子群优化算法（THSPSO, three sub-swarms particle swarm optimization）．该算法将整个粒子群分为三群，第一群粒子朝全局历史最优方向飞行，第二群粒子朝着相反方向飞行，第三群粒子在全局历史最优位置周围随机飞行．分别将该算法和基本粒子群优化算法（PSO, particle swarm optimization）用于一些常用测试函数的优化问题；结果表明,与PSO相比，THSPSO具有更好的优化性能．然后，用THSPSO训练神经网络，并将其用于丙烯腈收率软测量建模，结果显示了三群粒子群优化算法在丙烯腈软测量建模中的可行性与有效性．     

基于周期性演化策略的粒子群优化算法

针对标准粒子群优化算法(PSO)在寻优过程中容易出现早熟的问题,提出一种基于周期性演化策略的粒子群优化算法.该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项,使得粒子群能量在演化过程中可以周期性变化.相比标准PSO算法,当粒子群能量较大时,能够增强局部搜索能力;当粒子群能量较小时,能够增强全局搜索能力.典型优化问题的仿真结果表明,所提出的算法与线性下降惯性权重粒子群优化(LWPSO)和PSO算法相比,优化性能得到了显著提高.     

基于PSO与LS-SVM的作物需水量预测

为了提高作物需水量预测精度,提出基于粒子群优化算法(PSO)优化最小二乘支持向量机(LS-SVM)的预测模型。该模型以空气湿度、温度、太阳辐射以及风速为输入,利用多项式核函数和径向基核函数的非负线性组合构造核函数,将粒子群优化算法(PSO)与交叉验证方法用于确定模型参数。实验结果表明与神经网络和随机森林相比,PSO优化的LS-SVM可获得更好的预测精度和泛化能力,可用于节水灌溉,具有较高的应用价值。     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。     

基于混沌搜索的粒子群优化算法

粒子群优化算法(PSO)是一种有效的随机全局优化技术。文章把混沌优化搜索技术引入到PSO算法中,提出了基于混沌搜索的粒子群优化算法。该算法保持了PSO算法结构简单的特点,改善了PSO算法的全局寻优能力,提高的算法的收敛速度和计算精度。仿真计算表明,该算法的性能优于基本PSO算法。     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

基于混沌的PSO粒子滤波算法

粒子群优化(PSO)粒子滤波算法容易陷入局部最优,从而降低算法精度。针对该问题,提出一种基于混沌的PSO粒子滤波算法。该算法通过混沌搜索算法找到全局最优位置,驱散聚集在局部最优的粒子群,使其向全局最优位置靠近,增加有效估计粒子数,抑制粒子退化与枯竭问题。仿真结果表明,与传统的粒子滤波算法和PSO粒子滤波算法相比,改进算法的估计精度有较大提高。     

基于PSO的矿山企业动态配矿优化研究

采用粒子群优化(PSO)算法求解矿山企业动态配矿问题。依据开采条件圈定出可开采的矿块,用粒子的一位代表矿块,并用0或者1代表选择该矿块来开采,重新定义在约束条件下PSO粒子的运算与“飞行”规则,实现动态配矿优化的粒子群算法。该PSO算法实施简单,优化效果明显,通过2009年实际生产情况与优化结果的对比表明,该算法在生产成本几乎不变的情况下,明显提高了企业效率。     

基于自适应均值粒子群算法的SVM参数优化方法

针对传统粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)参数寻优时的低效问题,运用了自适应均值粒子群算法(Adaptive Mean Particle Swarm Optimization,MAPSO)对SVM参数进行优化(MAPSO-SVM算法).采用自适应策略,引入了余弦函数、非线性动态调整惯性因子,每次进化都根据种群中粒子的适应度值大小将粒子分为3个等级,对每个等级的粒子赋予相应的惯性因子,将PSO算法速度更新方程中的个体历史最优位置和全局最优位置用它们的线性组合代替.分别用SVM、PSO-SVM和MAPSO-SVM算法对UCI中不同数据集进行实验测试,结果表明MAPSO-SVM算法比SVM和PSO-SVM算法的分类效果更好,分类准确率比SVM和PSO-SVM算法分别平均提高了14.7290％和1.8347％,同时与PSO-SVM算法相比,算法的收敛精度和效率更高.     

基于概率突跳和模拟退火的改进自适应微粒群算法

在两种微粒群算法分析的基础上.针对算法存在局部最优和后期振荡的现象.提出一种改进自适应微粒群算法.新算法引入概率突跳因子改变了原算法中微粒的速度更新公式,引入模拟退火接受准则抑制了概率突跳的不可控制性.典型函数寻优结果表明.新算法能很快地收敛到全局最优解,大幅度降低了达到最优值所需要的迭代数,同时提高了算法的收敛率和收敛精度,在跳出局部搜索的能力上远优于标准微粒群算法和自适应微粒群算法.稳定性好.     

一种基于距离度量的自适应粒子群优化算法

惯性权值对粒子群优化((Particle Swarm Optimization,PSO)算法的性能起着重要作用。基本的PSO算法未考虑各粒子的差异而在一次迭代中所有粒子采用固定的惯性权值。为了体现各粒子相对于已知最优解的差异,提出了一种基于距离度量的自适应PSO算法DMAPSO(DistancE Measurement-based Adaptive PSO)。算法采用欧式距离计算粒子与已知全局最优粒子的差异,然后根据差异自适应调整各粒子的·贯r}权值。通过基准测试函数对算法进行了实验,结果表明,对于连续函数优化问题,提出的DMAPSO算法优于经典PSO算法,DMAPSO收敛到最优解的迭代次数比PsO平均减少了约60%.     

PSO算法在工程优化问题中的应用

粒子群优化算法是群体智能中一个新的分支。该算法本质上是一种随机搜索算法,并能以较大概率收敛到全局最优,特别适用于连续函数的优化。针对工程中的优化问题,将粒子群算法与死亡罚函数法相结合,提出一种求解有约束问题的优化算法。通过与其它算法的比较,表明该算法是一种简单、高效和普适的算法。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

基于Logistic混沌映射优化的君主蝶优化算法

君主蝶优化算法(Monarch Butterfly Optimization, MBO)是2015年提出的一种模拟君主蝶的迁徙行为的元启发式算法. 通过对MBO的研究发现其在处理高维问题时易陷入局部最优与迁移算子产生的子代受父代影响过大的问题, 本文提出新算法, Logistic混沌映射君主蝶优化算法(Monarch Butterfly Optimization with Logistic Chaotic Map, LCMMBO), 使用Logistic混沌映射扰动最优解以增强其跳出局部最优的能力, 优化了迁移算子中子代传递的方式以增强其全局搜索的能力. 通过仿真实验发现其在处理高维的优化问题时表现出良好的性能, 不仅鲁棒性优异, 而且跳出局部最优的能力强.     

扇形优化Dijkstra算法

Dijkstra算法无数次遍历所有的临时标记结点,无疑成为该算法的一个瓶颈。在分析Dijkstra算法的基础上,结合平面网络的特点,从限制搜索范围和限定搜索方向两方面着手,在扇形区域内寻找最短路径,从而完成对Dijkstra算法的优化。优化算法基于有损算法,抛弃寻找最短路径时概率较小的顶点,直接寻求在方向和位置上趋向终点的顶点。它根据用户给出的起始顶点与目标顶点以及搜索的扇形角度查找最短路径。因此,在优化算法中,频繁遍历的顶点数量大幅度减少,提高了算法的速度和运行效率。     

基于粒子群优化算法的电力系统无功优化

针对粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题,结合全局-局部最优模型,提出一种改进的全局-局部参数最优粒子群优化算法。利用全局-局部最优惯性权重及全局-局部最优加速度常数,简化速度更新方程,使算法性能得到改善。将该算法应用于电力系统无功优化中,仿真结果表明,网损平均值更低,寻优性能更好,优化的网损值集中在较小的区间。     

一种基于混沌和单纯形法的水波优化算法

水波优化(Water Wave Optimization,WWO)算法是一种基于浅水波理论的新兴元启发式优化算法,通过模拟水波的传播、碎浪、折射操作在解空间中进行全局搜索。为提高算法的收敛速度和精度,提出了一种基于混沌(Ch-aotic)优化和单纯形法(Simplex Method,SM)的水波优化算法,简称为CSMWWO。在CSMWWO算法中,引入了混沌优化策略来降低随机初始化的种群对收敛速度和求解精度的影响,在混沌优化策略的基础上又引入了局部搜索能力较强的单纯形法来提高WWO算法的收敛速度。将CSMWWO与包括WWO在内的4个启发式算法在12个基本测试函数上进行了测试,结果表明改进后的算法在计算精度和收敛速度上都有一定程度的提高,所提出的混合水波优化算法能改进水波优化算法的整体性能。