基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于粒子群优化的积单元网络预测混沌序列

提出一种基于粒子群优化(PSO)的积单元神经网络(PUNN)预测混沌时间序列的方法．PUNN信息存储能力强,但是它的训练却很困难．PSO是一类基于群智能的随机全局优化技术,故该文用PSO算法训练PUNN．对Mackey-Glass混沌序列分别用PUNN和模糊神经网络方法做的单步及多步预测对比实验结果说明不仅用PSO算法训练PUNN是有效的,而且用PUNN预测混沌时间序列是一种有效的方法。     

混合粒子群优化算法优化前向神经网络结构和参数*

提出了综合利用粒子群优化算法（PSO）和离散粒子群优化算法（D-PSO）同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。     

基于PSO的RBF神经网络学习算法及其应用

提出了一种基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络学习方法,首先利用减聚类算法确定网络径向基层的单元数,再用PSO对基中心和宽度进行优化,并与最小二乘法相结合训练RBF神经网络。将此算法用于混沌时间序列的预测,实例仿真表明此方法是有效的。     

改进混沌PSO算法的电力系统最优潮流计算

电力工业的市场化改革对最优潮流（Optimal Power Flow,OPF）的计算精度和速度提出了更高的要求。在分析最优潮流理论及其算法的基础上,对比一些经典解算法,引入粒子群优化算法（PSO）来计算发电厂成本耗费问题。考虑到传统PSO算法处理OPF约束条件时,对随机粒子个体的质量和速度的选取不能保证,且收敛速度慢,并容易陷入局部最优解,提出改进的混沌粒子群算法,即利用混沌运动特性来改进粒子群算法。利用该算法与其他算法对IEEE5节点算例进行分析比较,结果表明改进的混沌微粒群优化算法可较好处理最优潮流约束条件,有效提高了PSO算法的全局收敛能力和计算精度。在处理最优潮流问题上具有一定的有效性和优越性。     

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。     

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。     

基于混沌粒子群算法和Hopfield网络求解TSP问题

针对Hopfield网络求解TSP问题经常出现局部最优解,该文将混沌粒子群算法（PSO）与之结合,提出一种基于混沌粒子群的Hopfield神经网络方法。通过实验将其与文献[5,8]以及“PSO＋HNN”策略比较,验证了该文算法不仅能够以更大概率收敛到全局最优,而且耗时更少。     

基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

一种新的自适应惯性权重混沌PSO算法

针对粒子群算法（Particle Swarm Optimization,PSO）易陷入局部极值的缺陷,提出了一种新的自适应惯性权重混沌PSO算法（a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight,CPSO-NAIW）。首先采用新的惯性权重自适应方法,很好地平衡粒子的搜索行为,减少算法陷入局部极值的概率,然后在算法陷入局部极值时,引入混沌优化策略,对群体极值位置进行调整,以使粒子搜索新的邻域和路径,增加算法摆脱局部极值的可能。最后,实验结果表明,CPSO-NAIW算法能有效避免陷入局部极值,提高算法性能。     

Design of K-means clustering-based polynomial radial basis function neural networks (pRBF NNs) realized with the aid of particle swarm optimization and differential evolution

In this paper, we introduce an advanced architecture of K-means clustering-based polynomial Radial Basis Function Neural Networks (p-RBF NNs) designed with the aid of Particle Swarm Optimization (PSO) and Differential Evolution (DE) and develop a comprehensive design methodology supporting their construction. The architecture of the p-RBF NNs comes as a result of a synergistic usage of the evolutionary optimization-driven hybrid tools. The connections (weights) of the proposed p-RBF NNs being of a certain functional character and are realized by considering four types of polynomials. In order to design the optimized p-RBF NNs, a prototype (center value) of each receptive field is determined by running the K-means clustering algorithm and then a prototype and a spread of the corresponding receptive field are further optimized through running Particle Swarm Optimization (PSO) and Differential Evolution (DE). The Weighted Least Square Estimation (WLSE) is used to estimate the coefficients of the polynomials (which serve as functional connections of the network). The performance of the proposed model and the comparative analysis involving models designed with the aid of PSO and DE are presented in case of a nonlinear function and two Machine Learning (ML) datasets     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

基于混沌粒子群优化的支持向量机训练方法

为使粒子群优化算法初始粒子均匀分布在解空间,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出一种混沌粒子群算法。该算法对Circle模型进行改进,将其引入粒子群算法中,避免了粒子群算法陷入局部最优。给出应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进的CPSO SVM方法比CPSO SVM和PSO SVM方法有更好的识别性能。     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

基于PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

基于APSO算法的电力系统无功优化

针对粒子群优化算法易早熟收敛的缺点,提出一种自适应粒子群优化算法(ASPO),将物种的概念引入种群多样性测度中,利用种群多样性信息对惯性权重进行非线性的调整,并引入速度变异算子和位置交换算子,增强算法的全局收敛性能。将APSO算法应用于电力系统无功优化,对IEEE-30节点系统进行仿真计算,仿真结果表明,系统网损从5.988 MW降到4.889 MW,下降率为18.36%,算法的收敛精度和收敛稳定性均较当前常用方法有明显的提高。     

一种结合混沌和逃逸的自适应粒子群优化方法

考虑到粒子群早熟收敛现象,提出了一种基于逃逸和混沌的自适应粒子群优化算法。该算法引入一个新的惯性系数来改进原有的速度更新公式,并在粒子陷入早熟之后,调整相应的速度参数。同时,选取适应度最差的10%的粒子,利用混沌的方法对它们的位置进行更新,并且格栅化。产生了充分多的点,使粒子群跳出了当前的局部最优并获得更优的群体最优值。数值仿真表明,该算法粒子群能有效地跳出局部极值,获得精度更高的优化值。     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。     

限制速度粒子群优化和自适应速度粒子群优化在无约束优化问题中的应用

限制速度粒子群优化(RVPSO)和自适应速度粒子群优化(SAVPSO)是近年来提出的专门求解约束优化问题(COP)的粒子群优化算法,但目前尚无两算法在无约束优化应用方面的研究。为此,研究上述算法在无约束优化中的有效性和性能特点,并针对算法保守性较强的特点,分别引入混沌因子和随机优化策略对算法进行改进,从而提高算法的全局搜索能力;另外,还研究了不同参数设置对算法性能的影响。在5个典型测试函数上的仿真实验结果表明:RVPSO改进算法的鲁棒性及全局搜索能力优于原算法,但在求解高维多峰函数时仍易于陷入局部最优; SAVPSO改进算法的全局搜索能力比RVPSO改进算法强,且在求解高维多峰函数时具有更快的收敛速度并能取得精度更高的解,表现出较好的全局优化能力,是一种切实有效的求解无约束优化问题的算法。