混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

一种离散混沌序列类随机性分析法

提出了用穷尽熵来判定离散混沌序列类随机性强弱的算法。对于给定离散混沌序列,求其穷尽生成的步数,根据每个穷尽组成部分的序列数占总序列长度的比率,计算离散混沌序列的穷尽熵。数值仿真实验表明此方法能有效识别不同离散混沌序列的类随机性强弱,在数字混沌保密通信中具有实际应用前景。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

灰熵并行分析引导PSO求解多目标优化问题

提出采用灰熵并行分析法引导粒子群算法求解多目标优化问题。灰熵并行分析法综合灰色关联分析法与信息熵的特点,对数据序列计算灰关联系数,同时并行地对数据序列计算信息熵及熵值权重,将灰关联系数与熵值权重结合求得灰熵并行关联度。〖JP2〗通过粒子群算法对优化问题的多个目标构建与粒子数相同数量的目标值序列,计算每个序列的灰熵并行关联度值,利用该值作为算法适应度值的分配策略引导粒子进化。以10个典型作业车间调度问题为例进行实验,结果与差分进化算法及遗传算法进行比较,表明灰熵并行分析法可以有效引导各算法进化,使算法在收敛性和分布均匀性方面表现良好,且粒子群算法的优化结果要好于其他两种算法的结果。     

自适应特征熵权模糊C均值聚类算法的研究

特征权重算法对聚类效果有很大的影响,而传统的特征权重算法忽略了特征项在类间和类内的分布情况.因此,研究聚类后样本特征属性表现的有序性程度对聚类结果的影响,分析聚类后样本特征属性的分布情况,提出了一种自适应特征熵权模糊C均值聚类算法.该算法以聚类后的特征熵和信息增益作为准则调整特征权值,通过聚类与权重更新逐步迭代优化,直至获得最优的特征权值.实验表明,自适应特征熵权模糊C均值聚类算法能够有效地区分各个特征属性对聚类效果的重要程度;较于其它加权模糊C均值聚类算法,该算法能够得到更高的聚类准确率.     

基于混沌算子网络的时间序列一步预测方法

为解决时间序列的一步预测问题,提出了一种基于混沌算子的预测网络.混沌算子具有复杂的动力学行为,根据各算子所处的不同状态,利用加权方法计算出时间序列下一时刻的预测值.根据预测值与实际值的误差,利用混沌优化方法动态地调节混沌算子的参数,逐渐提高网络的预测精度.利用该方法分别对混沌以及实际股票价格等复杂时间序列进行了仿真预测.仿真结果表明,该方法可以对具有内在确定性的系统进行有效的预测.     

一种混沌量化的混沌扩频序列

针对单值量化和多值量化存在的问题,提出了一种混沌量化的方法来产生混沌扩频序列,不仅大大提高了混沌序列的周期,有效克服有限精度问题,而且增加了量化的复杂度,提高了抗破译能力.对其性能进行了分析和仿真,结果表明,所产生的混沌序列具有比多值量化混沌序列更好的相关性能和伪随机性能.同时,利用Bedekamp-Massey算法,得出该序列具有理想的线性复杂度,更进一步显示了其良好的伪随机性能.最后将该序列应用到多用户CDMA系统中,仿真结果表明,其具有理想的误码率性能,抗多址干扰能力强.     

解旅行商问题的混沌蚁群算法

利用混沌运动的遍历性、随机性和规律性等特点,提出了一种求解旅行商问题的混沌蚁群(CACO)算法.该算法的思想是采用混沌初始化进行改善个体质量和利用混沌扰动避免搜索过程陷入局部极值.与模拟退火算法、标准遗传算法进行比较,仿真结果表明该方法是一种简单有效的算法.     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于改进DE算法的敏捷成像卫星前摄式调度

针对卫星资源失效或应急任务加入对敏捷成像卫星前摄式调度的影响,构建了鲁棒模型,提出了一种改进差分进化(differential evolution,DE)算法。首先,考虑卫星资源失效概率、任务执行主从窗口构建了期望收益和松弛时间指标,将这两个指标作为优化目标构建了前摄式调度鲁棒模型;然后,针对该模型的多目标优化特性,在传统DE算法的基础上,重新设计了变异、交叉和选择算子,增加了外部存档更新策略,优化了Pareto解集评价指标,提出一种多目标离散差分进化(multi-objective discrete differential evolution,MDDE)算法,并给出了算法的实现步骤;最后,仿真结果表明,与NSGA-Ⅱ算法相比,MDDE在Pareto解集评价指标上提高了10.42%左右,在求解时间上降低了9.72%左右,为敏捷成像卫星前摄式调度提供了一定的方法支撑。     

一种改进的变尺度混沌优化算法及其仿真研究

为了避免混沌优化在区间内的盲目重复搜索，提高搜索效率，提出一种改进的变尺度混沌优化方法，该方法在混沌搜索过程中，只需设置两个循环，内循环进行混沌搜索，外循环负责缩小区间．将每次搜索到的较优值计数，并设置一个标志A，当搜索到较优值的次数=A时，则根据搜索区间的大小动态缩小空间，在小区间中再重复上述过程，直至找到全局最优解，方法非常简单。仿真结果表明，该方法局部搜索能力强，搜索效果优于变尺度混沌优化方法。     

加速混沌优化方法及其应用

对混沌优化算法进行改进，提高了混沌优化算法的效率，加速混沌优化算法利用混沌运动的性质，同时不断缩小变量的搜索空间，在混沌优化搜索过程中，以具有一定保证的当前最优解为中心，不断地缩小优化变量的搜索区间，调整细化参数，促使搜索能够更快，更有效地全局最优解收敛，仿真计算表明算法有效。     

多资源约束下改进NSGA-II算法的手术调度

针对手术调度涉及因素众多难以优化的问题, 在考虑手术台、执刀医师等资源约束,构建了以病人满意度及手 术总流程时间为目标函数的模糊调度数学模型. 针对传统的加权系数方法不能很好地解决手术多目标优 化问题,提出改进的非支配排序遗传算法(non-dominated sorting genetic algorithm II, NSGA-II),采用改进的拥挤密度排序法改善同一非劣等级内个体的排序; 提出自适应交叉和变异策略, 克服了种群早熟化,改善算法收敛速度; 采用改进精英策略保持种群多样性, 改善算法搜索性能. 最后, 将该算法应用于某三甲医院手术模糊调度中,仿真结果证明该方法的有效性和可行性.     

在轨空间智能制造:分布式调度建模与优化

在轨空间制造系统是在行星大气层外的需要地面工厂、在轨空间工厂、天地运载工具协同的以进行空间设施建造为目标的一类分布式制造系统.分布式调度建模和高效优化求解技术是实现在轨空间智能制造的关键技术之一.本文针对一类具有组件地面分布式制造及运输、地空分批次运输、组件在轨装配等典型特点的在轨空间智能制造系统,将其分解为分布式同质流水线调度,考虑运输时间的同速并行机调度,考虑工件释放时间、机器可用时间、机器处理能力的单机批调度以及考虑组件释放时间、优先约束的单机调度等问题,并基于模型协调思想建立以最小化组件生产到产品装配总时长为目标的分布式多阶段调度模型.进而,将用于求解连续优化问题的易理优化算法扩展到离散调度问题,提出求解该分布式调度问题的基于易理优化的模因算法.基于中规模、大规模算例的仿真结果和算法分析比较表明:相较于粒子群算法、教学算法、水波算法等智能优化算法,所提算法是一种求解分布式多阶段调度问题的可行、有效算法.值得一提的是,这是第一篇关于在轨空间智能制造系统调度优化的研究.     

基于混合遗传-粒子群算法的相控阵雷达调度方法

针对相控阵雷达中的任务调度问题,提出一种融合了粒子群算法、遗传算法和启发式交错调度算法的混合算法。采用混沌理论优化粒子群算法的飞行参数,设计递减的动态惯性权重,以及引入遗传算法中的交叉、变异操作,使得算法能够快速收敛,并跳出局部最优实现全局最优。在智能算法的框架下,提出一种启发式的任务交错算法,使得雷达任务中等待期的时间资源进一步得到利用。仿真结果表明,相比于遗传算法,所提算法的收敛速度更快,结果更优;相比于传统的启发式算法,所提算法的调度成功率提升了42%,时间利用率提升了40%,实现价值率提升了33%,时间偏移率减少了73%。     

基于并行混沌和单纯形法的混合全局优化算法

混沌优化算法采用的是串行优化结构,采用并行结构进行,并不断缩小搜索空间,提高了混沌优化在变量取值范围较大情况下的搜索效率。针对混沌在全局最优点附近搜索速度变得很慢、精度较低的缺点,结合单纯形法,提高了收敛的速度和求解精度。仿真结果表明并行混合优化算法可以得到满意的结果。     

基于改进差分进化算法的水文模型参数多目标优选研究

在差分进化算法的基础上, 受马尔可夫链蒙特卡罗方法的启发, 建立了differential evolution adaptive metropolis (DREAM)算法. DREAM 算法融合了马尔可夫链蒙特卡罗方法和差分进化算法的优势, 较好地解决了马尔可夫链蒙特卡罗方法中搜索步长的恰当取值以及搜索方向的准确定位问题, 并能有效解决差分进化算法的群体多样性和收敛速度问题. 在 DREAM 算法基础上, 引入多目标优化思想, 提出了一种基于改进适应度分配策略和外部存档方案的多目标 DREAM 算法, 并应用于岷江流域 CMD-3PAR 降雨-径流模型参数优选研究. 结果表明: 多目标DREAM算法能够找到一组范围宽广、分布均匀且数量充足的 Pareto 最优解供决策者评价优选.     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

考虑区间工时的多目标柔性作业车间节能调度

在综合考虑经济指标和环境因素基础上,研究了工件加工时间不确定的多目标柔性作业车间节能调度问题。将工件不确定加工时间描述为区间数,并以最小化最大区间完工时间、区间总能耗为目标构建区间柔性作业车间调度节能问题优化模型。同时,依据区间可能度的支配关系,设计了一种有效求解该问题的区间多目标进化算法。通过15组测试问题,分别对区间多目标进化算法、SPEA-II及NSGA-II进行仿真实验,并采用反转世代距离(inverse generation distance, IGD)和覆盖集测度(C测度)两种性能指标验证了所提算法的可行性和有效性。