基于CPSO算法的岩石蠕变模型非定常参数反演分析

针对粒子群优化(PSO)算法具有全局寻优能力强、无梯度信息、收敛速度快、算法简单但易陷入局部最优解且初始化解的质量不高的特点,利用混沌的遍历性,把混沌机制和粒子群优化算法结合起来,对粒子群优化算法进行了改进,提出了混沌粒子群优化算法,并利用混沌粒子群优化(CPSO)算法对岩石蠕变本构模型的非定常参数进行了反演分析,算例结果表明,采用该混沌粒子群优化算法反演非定常参数是可行的.     

计及阀点效应的有功功率经济分配

本文采用改进的粒子群算法（HPSO）对火电机组负荷进行经济分配,该算法考虑了实际电力系统中机组的阀点效应;以粒子群算法为基础,在此基础上将遗传算法的交叉思想引入到PSO算法当中,使其避免局部最优;借鉴混沌算法的可行化调整机制,用自罚应函数法处理等式约束;线性的改变惯性权重;重新初始化不合格粒子。本算例应用改进PSO算法与基本PSO算法进行仿真,结果表明：改进的算法寻优质量更好,效率更高,可望应用于更广泛的优化问题。     

改进的混沌粒子群算法对WLS-SVM性能参数的优化

加权最小二乘支持向量机(WLS-SVM)的学习性能和泛化能力取决于其正则化因子C和核函数参数σ的取值。对此,针对WLS-SVM建立C和σ的组合优化目标函数,采用基于Lozi映射的粒子群(PSO)算法来搜索最优目标函数值。迭代过程中,通过分别映射PSO个体最优位置,把产生的混沌序列中的最优解分别逆运算取代当前个体最优位置,引入混沌机制,以混沌变量的遍历性改进粒子群算法,提高全局搜索能力,避免过早陷入局部最优。将其应用于某玩具企业原料月消耗量预测,结果表明了文中所提方法的有效性。     

基于自适应惯性权重的混沌粒子群算法

针对粒子群优化(particle swarm optimization,PSO)算法易陷入早熟的缺陷,提出了一种基于自适应惯性权重的混沌粒子群算法。首先利用立方映射产生的混沌序列对粒子位置进行初始化,为全局搜索的多样性奠定基础;然后采用自适应惯性权重优化策略,提高收敛速度;最后如果判断算法陷入早熟,则对算法进行混沌扰动,使其跳出局部最优。仿真实验结果表明,改进算法的收敛速度及收敛精度都有明显提高,能有效地避免早熟。     

基于混沌退火粒子群优化算法的路径测试数据生成

为实现指定路径的软件测试数据自动生成,提出了一种基于粒子群优化(PSO)算法的演化测试方法.利用分支函数插装和强制路径执行策略,得到用于优化搜索的路径适应值.通过引入混沌搜索、模拟退火和早熟收敛判断机制,克服了标准PSO算法易陷入局部最优而无法找到测试数据的缺陷.三角形判断程序的测试数据自动生成实验表明:在最大迭代次数Tmax为500时,混沌退火粒子群优化(CAPSO)算法的命中概率为99%,标准PSO的命中概率为95%;在Tmax为2 000时,CAPSO算法的命中概率为100%,标准PSO算法的命中概率为95%左右;继续增大Tmax不能使标准PSO算法的命中概率提高,而CAPSO算法总能摆脱局部极值找到满足要求的测试数据.     

一种基于混沌序列的粒子群优化算法

提出了一种基于混沌思想的粒子群优化算法,它利用粒子群优化算法收敛速度快和混沌运动遍历性的特点,对于陷入局部极小点的粒子,引入混沌序列重新初始化,从而使惰性粒子能够跳出束缚并快速搜寻到全局最优解.对几个经典函数的测试计算表明,其在收敛速度和精度上均优于标准的PSO算法.     

改进的PSO算法在重油热解模型参数估计中的应用

针对传统的粒子群算法(PSO)在解决复杂的优化问题时易陷入局部最优这一情况,提出了一种改进的粒子群算法(EPSO),该算法在传统的粒子群算法陷入局部最优的情况下引入了单个粒子的"Hooke-Jeeves模式搜索"操作和粒子之间的"启发式交叉"操作。仿真结果表明:EPSO算法的全局搜索性能和收敛速度比传统的PSO算法有明显的提高。采用EPSO算法进行非线性参数估计所得到的重油热解模型,其预报的平均相对误差比传统的PSO算法得到的模型提高了11.98%,比遗传算法(GA)得到的模型提高了38.76%。     

基于混沌机制和改进粒子群算法的Web服务组合优化

随着互联网和大数据的迅速发展,如何从大量Web服务中选择合适服务及组合以满足用户需求已成为新的热点。本文提出一种改进的混沌粒子群优化(ICPSO)算法,应用到Web服务组合优化问题。针对传统PSO算法易陷入早熟收敛和局部最优的缺点,该算法引入了混沌扰动机制使粒子易跳出局部极值,增强了种群多样性,从而提高算法寻优能力。最后通过仿真实验验证了ICPSO算法的可行性和有效性。     

改进CPSO算法在电子产品生产调度中的应用

为解决电子制造企业生产计划的调度问题,以总完工时间最小为优化目标,建立生产调度优化模型,采用改进混沌粒子群(CPSO)算法进行求解.该算法中引入一种叠加Logistic扰动的Tent算子,使得算法在迭代过程陷入局部最优时能够进入混沌搜索机制.该算法利用算子良好的均匀分布特性随机更新代表产品加工顺序的粒子位置向量,保证种群的多样性,减少出现早熟现象.利用标准测试算例与某电子制造企业生产调度实例,分别对所提出的改进算法和标准PSO算法进行对比.研究结果表明:改进算法在解的平均值和标准差上优于标准PSO算法,适用于解决实际生产调度问题.     

基于自适应混沌变异的k-均值聚类粒子群算法

针对经典粒子群(PSO)算法易出现早熟收敛和搜索精度差的缺陷,提出了一种基于混沌变异的k-均值聚类PSO优化算法(FCPSO).该算法首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子种群中的全局极值来更新自己的位置和速度.其次,在算法中引入自适应混沌变异,有效的增强了子群体之间信息交换和经典PSO算法跳出局部最优解的能力.对几个典型可变维函数的测试结果表明,该算法是非常有效的.