基于CNBPSO算法的需求侧资源计划

为克服二进制粒子群优化(BPSO)算法易于陷入局部极值的不足,在粒子群算法(PSO)的速度更新公式中引入混沌参数与小生境机制,在此基础上提出了一种新的二进制粒子群(混沌小生境二进制粒子群优化,CNBPSO)算法.将新算法应用于两种不同复杂度的负荷削减需求计划问题的求解,均获得了比BPSO更好的中断方案,证实了算法的有效性,新算法具有简单、快速、均衡收敛等优点.     

采用多策略离散人工蜂群的改进频谱分配算法

针对图论频谱分配模型下最优频谱分配策略搜索解困难、耗时长的问题,提出一种采用多策略离散人工蜂群的频谱分配算法。首先,根据感知技术得到的通信环境状况,建立频谱分配的图论模型;然后,引入多策略离散人工蜂群算法进行最优频谱分配策略的搜索,在搜索初期,引入全局探索能力强的粗搜索策略,以快速优化初始种群,后期以高精度的单维更新进行精细搜索;考虑到仅当解参数值取1才能带来网络收益的增加,提出仅对取值为零的维度进行更新的策略,增强了搜索的有向性与有效性。仿真实验表明:该算法与当前基于离散人工蜂群和二进制粒子算法的频谱分配算法相比,无论是收敛速度还是网络收益都得到提高;当可用频谱数在5~20之间、次用户数量在5~22之间变化时,获得相同最大收益的耗时仅为对比算法的47.75%~36.18%,且随着问题规模增加耗时呈下降趋势。     

修正的混沌粒子群算法求解经济负荷分配

为克服粒子群优化算法容易陷入局部最优、后期收敛慢等缺点,提出了一种修正的混沌粒子群优化算法.该算法通过修正粒子群迭代的行动策略,并引入遍历性较强的Tent混沌局部搜索机制,可以增强粒子的全局搜索能力,提高优化算法的全局寻优性能.将修正的混沌粒子群算法分别应用于6机组和15机组电力系统中求解经济负荷分配,在考虑系统网损和机组运行约束条件的情况下进行仿真实验.仿真结果表明:该算法用于求解高维、非凸、不连续等非线性复杂约束条件的电力系统经济负荷分配问题上,有着较快的收敛速度和较强的全局寻优能力.最后,通过与其它智能算法比较,验证了算法的有效性和优越性.     

基于混沌-量子粒子群的分簇路由算法

针对粒子群分簇路由优化算法存在的收敛速度慢、 易陷入局部最优等问题, 提出一种混沌-量子粒子群 的双子粒子群分簇路由算法。 该算法以簇头的能量、 簇头与汇聚节点的距离以及与簇内成员节点的距离构造 最优簇头的代价函数, 主粒子群利用混沌粒子群寻优, 辅粒子群利用量子粒子群寻优, 加入量子波动理论, 使 算法具有较好的全局收敛性。 双子粒子群采用收敛速度快的凹函数递减策略优化权重。 仿真结果验证了该算 法可使无线传感网络节点能量消耗均衡化, 显著延长网络生命周期, 与 LEACH(Low-Energy Adaptive Clustering Hierarchy)协议、 PSO-C(Cluster setup using Particle Swarm Optimization algorithm)协议相比生命周期分别延长了 80. 1%和 41. 4%。     

混沌粒子群算法及其在桁架结构优化设计中的应用

文章提出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、随机性等特点，对标准粒子群优化算法进行了改进。在算法的初始化阶段，对粒子的位置混沌初始化；在算法运行过程中，对粒子的位置进行混沌更新和粒子群更新相结合的更新方式，使全局收敛与局部收敛达到一定平衡。将该算法应用于桁架结构的优化设计，与标准粒子群算法优化的结果相比较，混沌粒子群算法提高了对多维空间全局搜索能力，可有效避免早熟收敛现象。     

二进制粒子群属性约简中的退火选择策略

分析了二进制粒子群优化算法和基于二进制粒子群优化的属性约简方法,提出了一种基于退火选择的二进制粒子群算法,在选择粒子更新位置时引入模拟退火算法的策略,通过调整退火速度,控制算法收敛,当温度下降的足够慢时,粒子不会轻易跳出有"希望"的搜索区域,从而增强了粒子的局部搜索能力,使优化算法具有更高的效率.将该算法应用到电力负荷预测的属性约简中,使原来65个属性下降为12个,显著降低了后续处理的复杂度.     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.     

采用投影螺旋搜索的改进粒子群算法

针对传统粒子群算法在求解高维决策空间问题时容易陷入局部最优的缺点,提出采用投影螺旋搜索的改进粒子群算法。该算法提出了一种基于投影空间的螺旋搜索粒子更新方式,并应用于粒子群算法中以解决早熟问题;为了增强寻优能力,引入混沌策略生成螺旋搜索的参数以提高搜索的随机性;使用自适应算子选择策略分配螺旋搜索更新和传统粒子更新的选择概率,使2种粒子更新方式在不同搜索阶段发挥最大效用。仿真实验表明:与基本粒子群算法相比,提出的算法能够以较少的迭代次数收敛,寻优精度最大可提高10~(-13),适合于求解一类具有连续空间复杂多峰值特点的工程应用问题。     

基于二进制粒子群算法的OFDM稀疏信道导频优化

在正交频分复用(orthogonal frequency division multiplexing,OFDM)稀疏信道中,合理的导频设计可以提高信道估计的性能,以测量矩阵的互相关最小化作为目标,提出一种基于二进制粒子群算法的导频优化方案,引入混沌初始化机制来保证初始粒子均匀地分散在解空间里,通过粒子变异机制来保证种群的快速收敛.根据实验和仿真结果可以看出,与随机搜索导频优化算法、逐位置导频优化算法以及最小二乘法相比,该算法能够有效节省导频的开销,提高频谱利用率,具有更好的信道估计性能.     

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。     

认知无线网络中基于HJ-DQPSO优化的频谱分配机制

在认知用户和授权用户共存的认知无线网络模型中,为了解决认知无线网络中最大化网络效益和用户间接入网络的公平性联合最优化的多目标频谱分配难题,提出了一种新的基于 hooke jeeves（HJ）计算和量子粒子群（quantum particle swarm optimization,QPSO）理论的离散多目标组合优化机制,即 HJ-DQPSO 优化机制。该机制中,提出了采用 HJ 算法进行局部搜索,防止陷入局部最优,并对 QPSO 算法进行离散化处理以便更匹配离散的频谱分配模型。与现有的频谱分配算法进行仿真性能比较,实验结果表明,该机制具有逼近最优解、快速收敛、不易陷入局部最优、参数设置少的特点。在不同的优化目标情况下,能够较好地逼近频谱分配最优解而且可以实现快速收敛,在满足多个优化目标的情况下可以获得更合理的频谱分配方案。     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

改进人工鱼群算法在认知无线电决策引擎中的应用

针对遗传算法、粒子群算法等应用于认知无线电决策引擎时存在收敛速度慢,容易陷入局部最优解的缺陷,提出了一种基于改进人工鱼群算法的认知无线电决策引擎．利用改进人工鱼群算法全局收敛性强、鲁棒性能好、初值敏感度低等特点,更快速、高效地优化调整传输参数,从而寻找特定条件下的最优配置方案．仿真结果表明,在多载波通信系统下,该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点,性能优于二进制量子粒子群认知引擎．     

基于混沌搜索的简化粒子群优化算法

针对带有收缩因子的粒子群优化算法(CFPSO)容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点,采用简化粒子群优化(sCFPSO)方程与混沌搜索技术相结合的方法,提出了基于混沌搜索的简化粒子群优化(CsCFPSO)算法.该算法利用分段线性混沌映射(PWLCM)的遍历性和类随机性来完成混沌搜索,从而加快sCFPSO算法跳出局部极值点而继续优化.经过6个经典测试函数对该算法进行实验,结果表明其对于粒子群优化具有很好的使用价值,它可以准确地消去局部极值,确保收敛速度和精度,该算法是通过缩小种群数和进化代数来实现的.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

虚拟力导向多粒子群算法的WSNs部署策略

为了优化无线传感器网络节点部署性能,在粒子进化的多粒子群算法的基础上结合虚拟力方法,提出了一种虚拟力导向多粒子群算法的部署策略。该策略通过节点间的虚拟力影响多粒子群算法的速度更新过程,指导粒子进化,采用多个粒子群独立搜索解空间,有效地避免了＂早熟＂问题,从而最大限度地优化了网络的覆盖率。仿真结果表明,与虚拟力算法和多粒子群算法相比,该算法在覆盖率、迭代次数和部署时间等方面具有更好的性能。     

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。