变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

优化的变尺度混沌遗传算法

混沌优化算法和遗传算法的结合产生了变尺度混沌遗传算法（MSCGA）。该算法在不改变GA搜索机制的同时,根据搜索进程,不断缩小优化变量的搜索空间及调节系数,引导种群进行新一轮进化,从而产生更优的最优个体,改善了GA的性能。但是通过分析其本质,发现其中存在很大的重复性操作,没有考虑它们之间在优化过程中的某种相似之处。文章中对此算法进行讨论并对其进行优化。计算机仿真表明：优化后的算法具有更好的快速寻优能力。     

基于变尺度混沌优化策略的混合遗传算法

针对标准遗传算法（SGA）存在的收敛速度慢，易陷入局部极小等问题，提出了新的混合遗传算法，利用变尺度混沌优化方法，对经过一次遗传操作的种群进行混沌搜索寻优，引导种群快速进化，该方法具有搜索速度快，计算精度高，使用方便等特点，算例分析表明，该方法的综合性能优于SGA及其它混合GA。     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

变尺度混沌优化神经网络的研究

基于变尺度混沌优化的方法可以利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,并可以变尺度搜索提高局部空间的搜索速度和精度。把该方法应用到神经网络的权值优化中,可以得到很好的效果。     

变尺度混沌优化方法及其应用

基于混沌变量,提出一种变尺度混沌优化方法,该方法不断缩小优化变量的搜索空间并不断提高搜索精度,从而有较高的搜索效率,应用该方法对６个测试函数进行优化计算得到了满意的效果。     

变尺度混沌光强吸收系数的萤火虫优化算法

针对基本萤火虫算法存在早熟现象,提出了一种变尺度混沌光强吸收系数调整策略的混沌萤火虫优化算法。首先,应用Sinusoidal映射产生混沌变量来描述光强吸收系数;其次,在算法迭代过程中引入变尺度混沌扰动,使光强吸收系数与迭代次数呈线性变化;最后,将萤火虫群分成三个子种群协作合作,可有利于增强算法搜索前期的全局探索能力和搜索后期的局部细化搜索能力。通过标准测试函数测试,实验结果表明算法是有效的,比基本萤火虫算法有了较好的寻优精度和收敛速度。     

改进混沌PSO算法的BP网络优化

提出了一种改进混沌粒子群算法(MCPSO)与BP算法的混合算法(MCPSO—BP),该算法综合了改进粒子群算法全局寻优的高效性,混沌算法局部搜索的遍历性和BP算法快速的局部搜索能力。仿真结果表明,MCPSO—BP算法网络结构简单,收敛速度快,并具有良好的逼近能力和泛化能力。     

模糊神经网络的混沌优化算法设计

提出了一种基于混沌变量的多层模糊神经网络优化算法设计.离线优化部分采用混沌算法,将混沌变量引入到模糊神经网络结构和参数的优化搜索中,使整个网络处于动态混沌状态,根据性能指标在动态模糊神经网络中寻找较优的网络结构和参数.在线优化部分采用梯度下降法,把混沌搜索后得到的参数全局次优值作为梯度下降搜索的初始值,进一步调整模糊神经网络的参数,实现混沌粗搜索和梯度下降细搜索相结合的优化目的,能较快地找到全局最优解.最后对二阶延迟系统进行仿真,结果表明混沌优化方法控制精度高、超调小、响应快和鲁棒性强.     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin(2/x) with infinite collapses within the finite region[-1;1] to some representative iterative chaotic maps with finite collapses (e.g., Logistic map, Tent map, and Chebyshev map), a new adaptive mutative scale chaos optimization algorithm (AMSCOA) is proposed by using the chaos model x = in(2/x). In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken: 1) the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2) the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin（2/x） with infinite collapses within the finite region[-1, 1] to some representative iterative chaotic maps with finite collapses （e.g., Logistic map, Tent map, and Chebyshev map）, a new adaptive mutative scale chaos optimization algorithm （AMSCOA） is proposed by using the chaos model x = sin（2/x）. In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken： 1） the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2） the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

自适应变尺度混沌免疫优化算法及其应用

结合混沌优化算法与免疫算法的特点,提出了一种采用折叠次数无限的自映射X=sin(2/x)产生混沌变量的自适应变尺度混沌免疫优化算法.该算法通过自适应变尺度方法不断调整优化变量的搜索空间,同时采用最大循环次数作为控制指标,既保证了寻优的准确性,又保证了算法的快速性.应用该算法对3个测试函数进行优化计算得到了比较满意的结果.将此算法应用于移动Ad Hoc网络入侵检测时的仿真实验结果表明,自适应变尺度混沌免疫优化算法能有效地减少对训练样本的依赖,同时减少噪音数据对入侵检测系统性能的影响,适用于移动自组网络对于入侵检测系统高检测率、高抗噪能力和低计算延迟的要求.     

变尺度粒子群算法及其在工业软测量中的应用

粒子群优化算法是一种基于群体智能的随机优化算法,具有收敛速度快、设置参数少、算法简单、容易实现等优点,其缺点是容易陷入局部最优解。变尺度法是一种可靠的局部快速寻优方法。为了解决了基本粒子群优化算法易陷入局部最优的问题,本文提出了一种基于变尺度方法的自适应变异粒子群优化算法。在本文算法中,粒子群每进化一代后,对所有粒子执行变尺度搜索,寻找更优个体,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。在延迟焦化生产过程中,汽油干点是衡量汽油的一个关键指标,建立汽油干点的软测量对延迟焦化生产实现卡边控制和提高装置的经济效益是有必要的。在实际生产过程中,无法在线测量延迟焦化汽油干点,只能采用离线实验室分析的方法获得,但离线分析不能满足控制的要求。基于软测量技术而开发的延迟焦化汽油干点软测量模型,使汽油干点的在线测量成为可能。目前,工程上一般采用BP神经网络来训练软测量模型。BP神经网络的学习算法是决定BP神经网络预测质量的关键。鉴于此,本文将所提出的变尺度粒子群优化算法用于BP神经网络学习过程中,并将本文方案的预测结果与文献方案进行了对比实验。实验结果表明,与文献方案相比,本文方案具有较好预测精度和良好的泛化能力,具有较好的应用价值。     

Hybrid parallel chaos optimization algorithm with harmony search algorithm

The application of chaotic sequences can be an interesting alternative to provide search diversity in an optimization procedure, named chaos optimization algorithm (COA). Since the chaotic motion is pseudo-randomness and chaotic sequences are sensitive to the initial conditions, the search ability of COA is usually effected by the starting values. Considering this weakness, parallel chaos optimization algorithm (PCOA) is studied in this paper. To obtain optimum solution accurately, harmony search algorithm (HSA) is integrated with PCOA to form a novel hybrid algorithm. Different chaotic maps are compared and the impacts of parallel parameter on the hybrid algorithm are discussed. Several simulation results are used to show the effective performance of the proposed hybrid algorithm.