基于混沌策略状态转移算法的混沌系统参数辨识*

针对混沌系统的参数辨识是一个多维参数的优化问题,提出了基于混沌策略状态转移算法的混沌系统参数辨识方法。该方法是在初始化时以混沌序列初始化种群,在搜索过程中引入混沌变异机制,利用遍历性对状态进行变异操作,避免了过早收敛,提高了全局搜索能力。利用该算法辨识Lorenz混沌系统参数,并与基本状态转移算法和粒子群算法进行比较。仿真结果表明,在有无噪声干扰的情况下,该算法比粒子群算法和基本状态转移算法具有更好的辨识精度且比粒子群算法具有更好的收敛速度,证明了该算法的有效性和抗干扰性,对混沌理论的发展有重要的意义。     

基于反馈教学优化算法的混沌系统参数辨识

针对传统智能优化算法对混沌系统参数辨识精度低、速度慢的问题,提出一种基于反馈教学优化算法的混沌系统参数辨识的新方法.该方法以教学优化算法为基础,在教授-学习阶段之后加入反馈阶段,同时将参数辨识问题转化为参数空间上的函数优化问题.分别以三维二次自治广义Lorenz系统、Jerk系统和Sprott-J系统为待辨识模型,对粒子群优化算法、量子粒子群优化算法、教学优化算法及反馈教学优化算法进行了对比实验,反馈教学优化算法辨识误差为零,搜索次数明显减少.仿真结果表明,反馈教学优化算法明显提高了混沌系统参数辨识精度和速度,验证了该算法的可行性和有效性.     

混沌搜索策略的改进人工蜂群算法

针对人工蜂群算法的蜂群缺乏多样性、全局和局部搜索能力差及收敛速度较慢,提出一种基于混沌搜索策略的改进人工蜂群算法。该算法通过载波映射,由混沌-决策变量的变换,产生新的邻域点,为采蜜蜂和被招募的观察蜂提供了更广阔的搜索空间和更优质的位置蜜源,增强蜂群多样性;同时,引进侦查蜂局部蜜源搜索较好地解决了算法易陷入局部极小的问题,改善了人工蜂群算法的收敛性能。最后由6个标准测试函数的仿真验证,得到基于混沌搜索策略的人工蜂群算法性能明显优于标准人工蜂群算法。     

基于混沌更新策略的蜂群算法在SVM参数优化中的应用

针对支持向量机的参数寻优缺乏数学理论指导,传统人工蜂群算法易陷入长期停滞的不足,而混沌搜索算法具有很好的随机性和遍历性,提出了基于混沌更新策略人工蜂群支持向量机参数选择模型(IABC-SVM)。该模型利用混沌搜索对侦察蜂搜索方式进行改进,有效提高蜂群算法搜索效率。以UCI标准数据库中的数据进行数值实验,采用ACO-SVM、PSO-SVM、ABC-SVM作为对比模型,实验表明了IABC在SVM参数优化中的可行性和有效性,具有较高的预测准确率和较好的算法稳定性。     

DBC优化算法在瓦斯突出预测中的应用

针对煤矿瓦斯突出因素的复杂性,提出一种新的智能优化算法一双混沌搜索蜂群（DBC）优化算法,应用于煤矿瓦斯突出的预测中．DBC优化算法对人工蜂群算法进行有效改进,在人工蜂群算法的基础上,将混沌优化机制引入蜂群的寻优过程中,利用混沌序列初始化食物源,以提高食物源的质量,防止算法的早熟收敛;同时利用混沌搜索机制进行局部搜索,以改善蜂群的区域搜索能力,解决算法易陷入局部极小值的问题．最后,利用DBC对MLPNN进行训练,建立瓦斯突出预测模型．实验结果表明,该方法对瓦斯突出具有较好的预测结果．     

用改进的人工蜂群算法设计AVR系统最优分数阶PID控制器

分数阶PID控制器（FOPID）是标准PID控制器的一般形式.与PID控制器相比,FOPID有更多的参数,其参数整定也更复杂.本文提出一种基于环交换邻域和混沌的人工蜂群算法（CNC-ABC）,用于FOPID控制器的参数整定.CNC-ABC算法由于应用了环交换邻域,增加了解的搜索范围,从而能加快人工蜂群算法的收敛速度;同时利用混沌的遍历性使算法跳出局部最优解.用CNC-ABC算法优化AVR系统的FOPID控制器的参数.仿真结果表明,CNC-ABC算法整定的FOPID控制器比其它FOPID及PID控制器有较好的性能.     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力.     

自适应柯西蜂群及其收敛性分析

针对人工蜂群算法容易陷入局部最优的缺陷,提出一种自适应柯西变异人工蜂群算法.该算法引入自适应因子来扩大蜂群的搜索范围,并利用柯西分布的特点对全局进行搜索,提高了蜂群搜索的普遍性.然后利用随机过程理论,对自适应柯西变异人工蜂群算法进行了理论分析,论证了该算法的收敛性.最后将改进的人工蜂群算法应用到风电功率短期预测模型参数的优化中,与单一支持向量机模型比较,表明该方法拟合精度更高.     

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。     

基于差分进化算法的Wiener模型辨识

DE算法是一类基于种群的启发式全局搜索技术,该算法原理简单,控制参数少,鲁棒性强,具有良好的优化性能.本文利用差分进化算法对Wiener模型参数进行辨识,把辨识问题等价为以估计参数为优化变量的非线性极小值优化问题,并分析了算法中种群规模NP、缩放因子F、交叉概率CR等控制参数对辨识过程中的全局并行搜索能力和收敛速度的影响,以保证算法的全局收敛性.对Wiener模型的数值仿真结果表明了DE算法在参数辨识问题中的有效性,以及较PSO算法更强的非线性系统辨识能力。     

Artificial Bee Colony Algorithm-based Parameter Estimation of Fractional-order Chaotic System with Time Delay

It is an important issue to estimate parameters of fractional-order chaotic systems in nonlinear science, which has received increasing interest in recent years. In this paper, time delay and fractional order as well as system's parameters are concerned by treating the time delay and fractional order as additional parameters. The parameter estimation is converted into a multi-dimensional optimization problem. A new scheme based on artificial bee colony (ABC) algorithm is proposed to solve the optimization problem. Numerical experiments are performed on two typical time-delay fractional-order chaotic systems to verify the effectiveness of the proposed method.      

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于混合人工蜂群算法的多目标柔性作业车间调度问题研究

传统的优化算法在求解面对多目标柔性作业车间调度时,往往求解效率低且难以获得最优解。为了求解多目标柔性作业车间调度问题,设计了混合人工蜂群算法。种群的初始化采用了多种方法相结合的策略。在人工蜂群算法的不同阶段采用不同的搜索机制,在雇佣蜂阶段采用开发搜索,针对跟随蜂阶段蜜蜂跟随的对象的优秀解进行小幅度的更新,从而提高了搜索的表现。禁忌搜索与改进的人工蜂群算法相结合,有效的提升了获得最优解的概率。通过相关文献中的标准实例对设计的混合人工蜂群算法进行一系列求解测试,实验的结果有效的说明了算法在求解柔性作业车间调度问题时效果显著。通过求解结果对比表明人工蜂群算法的高效性和优越性。     

具有自适应搜索策略的混合人工蜂群算法

基本人工蜂群算法及其搜索策略侧重探索,为增强算法的开发能力,提出一种具有自适应搜索策略的混合人工蜂群算法。将目标函数值信息和最优解引导信息引入搜索策略,提出具有自适应机制、开发能力强的搜索策略;为防止“早熟”现象,利用三个不同随机食物源和高斯分布,设计出全局探索能力较强的搜索策略。将两个搜索策略在雇佣蜂阶段混合以平衡算法的探索与开发能力,在观察蜂阶段使用具有自适应机制、开发能力强的搜索策略以加快收敛。与基本及具有代表性的改进人工蜂群算法在20个标准测试函数中进行对比实验,结果表明所提算法具有更好的搜索能力和更快的收敛速度。     

基于排序选择和精英引导的改进人工蜂群算法

针对人工蜂群算法收敛速度较慢、收敛精度不高的问题,提出一种基于排序选择和精英引导的改进人工蜂群算法.分析观察蜂概率选择方法在适应值变化时对于精英个体优选的不足,提出一种排序选择方法,用以替代概率选择方法,从而提高算法的收敛速度.利用精英个体对搜索的引导作用,分别提出针对采蜜蜂和观察蜂的改进邻域搜索方程,从而提高算法的搜索效率.与其他人工蜂群算法的对比结果表明,所提出的改进方法能够有效提升算法的收敛速度和收敛精度.     

Improved artificial bee colony algorithm for global optimization

The artificial bee colony algorithm is a relatively new optimization technique. This paper presents an improved artificial bee colony (IABC) algorithm for global optimization. Inspired by differential evolution (DE) and introducing a parameter M, we propose two improved solution search equations, namely “ABC/best/1” and “ABC/rand/1”. Then, in order to take advantage of them and avoid the shortages of them, we use a selective probability p to control the frequency of introducing “ABC/rand/1” and “ABC/best/1” and get a new search mechanism. In addition, to enhance the global convergence speed, when producing the initial population, both the chaotic systems and the opposition-based learning method are employed. Experiments are conducted on a suite of unimodal/multimodal benchmark functions. The results demonstrate the good performance of the IABC algorithm in solving complex numerical optimization problems when compared with thirteen recent algorithms.