一种结合混沌映射与梯度法的优化算法

将梯度法与混沌映射相结合,提出了一种混沌梯度算法(CGA),该算法具有搜索全局最优解的能力。     

一种基于混沌的优化算法

将混沌变量与梯度法相结合,提出了一种基于混沌的优化算法,该算法具有搜索全局最优解的能力。     

改进的混沌优化算法研究

分析了一类混沌优化算法所存在的不足,即在二次载波过程中只是在近似最优解的单侧邻域内进行搜索,同时可调参数也不能随着搜索进程的变化而变化,使得寻优结果并不是很理想。对此进行了适当地改进,利用混沌变量对当前点进行扰动,并且通过时变参数逐渐减小搜索进程中的扰动幅度,同时,以一定方式确定了时变参数的初值。用改进后的算法对连续对象的全局优化问题进行优化,仿真结果表明,该方法可以显著提高收敛速度和精度。     

一个新的无约束优化下降算法

提出了一种新的无约束优化下降算法，在每步迭代中算法以当前点负梯度和前一点负梯度的线性组合为搜索方向，用Armijo搜索定义步长，在适当条件下证明了算法的全局收敛性。     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

具有全局收敛性的改进萤火虫优化算法

对萤火虫优化(Glowworm swarm optimization,GSO)算法全局收敛性及其改进算法性能进行了研究。分析了GSO全局收敛性,针对其收敛效率低的缺陷,提出了一种基于族群划分的改进GSO算法,借鉴混合蛙跳算法思想,将萤火虫群体进行族群划分,局部搜索及全局信息交换的方式改善了算法性能,通过引入萤火虫移动组元概念,改进了萤火虫更新策略,在此基础上,利用混沌优化技术,对萤火虫群体进行初始化,使得算法获得较高质量的初始解群体,并证明了改进算法以概率1收敛于全局最优,最后,采用经典测试函数进行测试,仿真结果表明,改进的萤火虫优化算法在收敛速度及求解精度上有明显改善。     

一类下降算法及其全局收敛性

提出一类无约束优化下降算法,证明了Ａｍｉｊｏ搜索和Ｗｏｌｆｅ搜索下的全局收敛性。算法类似于共轭梯度法,但与其不同,它具有更宽的βｋ选取范围。     

改进的混沌优化算法及其在函数优化中的应用

针对基本混沌优化算法在求解三维以上的多维函数时不易求得全局最优解的局限性,通过引入解向量的优选,提出了一种改进的混沌优化算法,主要思路是通过多次可行解向量的混沌优选,将可行解定位到最优解的附近,再用二次载波进行搜索找出多维函数的全局最优解.仿真计算表明:该算法对三维以上函数可以显著提高搜索精度,收敛性能好,容易找到全局最优解.     

遗传搜索优化算法

简述了多峰优化的主要问题及遗传算法的基本概念及算法.在传统的优化方法基础上,引入遗传算法的思想,提出以优化搜索方向向量为研究对象,在连续空间进行优化的遗传搜索优化算法;给出了算法中关键参数的选取方法;最后,给出了该算法的计算实例,结果表明,用该算法能较稳定地找出全局最优点.     

一种基于混沌粒子群的泥沙颗粒图像优化算法

针对泥沙颗粒图像与其它领域的颗粒图像的类同性,利用图像处理技术计算泥沙颗粒,提出了一种基于混沌粒子群的泥沙颗粒图像优化算法。该算法在运行的初期为了避免收敛早熟,增强了群体的多样性;通过设定的特定格式迭代产生混沌序列,有效的避免多样性的下降和早熟收敛的产生。在运行的中后期,能够在全局的最优区域进行更加精细的搜索,找到全局最优解的速度更快。实验结果表明,算法较好地解决了河流复杂泥沙颗粒图像的优化问题。     

混沌优化算法的参数分析

通过一些典型的复杂测试函数,对文［１］中提出的混沌算法的效率及其参数,用统计的方法进行了详细的分析。     

混沌蚁群算法及其在相位差优化中应用

城市交通主干道及网路上的交通信号通常以协调的方式运作,而相位差是主要的协调参数。然而相位差的优化中经常存在局部最优和收敛速度慢的问题,为解决相位差优化的问题,本文建立了混沌蚁群算法,然后利用该算法来优化相位差。一个9交叉口的仿真实验结果表明,明显地改进了优化效果,有效地减少了交通网络的车辆平均延误和平均停车率,提高了收敛速度。     

混沌演化算法求解动态优化问题

提出了一种结合混沌序列的演化算法——混沌演化算法,将其用于处理动态优化问题,并对动态多峰benchmark优化问题进行了数值实验,实验结果表明:混沌演化算法在处理动态优化问题时是有效的.     

一种优于混沌优化的对分插值逼近算法

提出一种新的求解函数最优值的算法——对分插值逼近算法。该算法产生均匀分布于[a，b]区间的稠密点集，理论证明了该点集可以无限逼近[a，b]区间内的任何实数，且以概率1收敛于任何待优化函数的全局最优值。与混沌优化算法进行了比较，以一维、二维变量的仿真为例，结果表明，该算法在寻优过程中优于混沌优化算法。     

改进混沌优化算法在水电站水库优化调度中的应用

为提高多维目标函数全局最优解的计算精度,提出了一种改进的混沌优化算法(MCOA).利用混沌运动的随机性、遍历性和规律性进行全局寻优;通过引入解向量的优选,将解向量定位到最优解的附近,从而找出全局最优解.最后将该算法应用于水电站水库优化调度问题,并进行仿真计算,计算结果验证了算法的有效性.MCOA原理简单,易于编程实现,具有较大的实用价值,为求解水电站水库优化调度问题提供了一种有效方法.     

无约束优化DFP算法的全局收敛性

讨论了无约束优化问题的ＤＦＰ算法的全局收敛性。在适当的条件下，证明了对一致凸目标函数，在非精确线搜索下ＤＦＰ算法具有全局收敛性。     

改进的混沌粒子群优化算法

针对传统的简单粒子群算法(SPSO)早熟、易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法(CPSO)。该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取SPSO初始种群,使粒子均匀分布在解空间。当SPSO陷入早熟时,CPSO在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优。对7个标准测试函数的寻优测试表明:CPSO算法在寻优精度、速度、稳定性等方面均优于SPSO。     

一种新型的混沌BP混合学习算法

将一种新的快速BP(FBP)算法和混沌优化相结合,提出了混沌BP算法(CBP算法).FBP算法吸收了误差函数的非线性信息,大大加快了BP算法的收敛速度,但它仍然采用梯度下降法,不可避免地存在局部极小的缺陷.混沌动力学具有遍历性、随机性的特点.能在一定范围内按其自身规律不重复地遍历所有状态,将混沌优化搜索引入FBP算法中,形成一种新型的混沌BP算法.它既能较快地局部收敛,又能全局收敛,避免了陷入局部极小的可能性.CBP算法为多层前馈网络的全局性收敛学习提供了一种有效的方法.     

一个新的解无约束优化问题的信赖域算法

为了减少求解信赖域子问题的次数,通过对当前目标函数下降量与成功迭代的目标函数下降量最小值的比较,提出一个新的解无约束优化问题的信赖域算法,证明了该算法的全局收敛性,并用数值实验说明新算法是有效的.