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.     

基于实数编码的多种群演化遗传算法

针对标准遗传算法(SGA)在实际应用中存在早熟收敛、精度较差及运算速度慢的缺点,提出了一种基于实数编码的多种群演化遗传算法(RMGA).实验结果表明该算法能够有效的提高全局搜索能力和局部快速搜索能力,对改进SGA的缺点是十分有效的.     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

改进遗传算法在压缩机优化设计中的应用

对标准遗传算法进行了有益的改进,使得算法避免了早熟和陷入局部最优·采用混合编码的方法,使算法更适用于工程实际·设计的重组和筛选算子用于初始种群的形成使得初始解分布更加合理,有益于提高算法的计算效率和收敛性,在算法实现中遗传算子的选择采用了适用于二进制编码的单点交叉按位变异和适用于实数编码的算术交叉非均匀变异的混合算子,使得遗传算子能够适用于实数和二进制两种编码方式·并且尝试了将改进的遗传算法用于滑片式压缩机参数的优化,结果表明,经过改进的遗传算法有效可靠,经过优化的压缩机参数合理·     

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。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

一种基于鲶鱼效应和新型搜索机制的混沌蝙蝠算法

针对蝙蝠算法(BA)收敛速度慢、易早熟、寻优精度差的缺点,该文提出一种基于鲶鱼效应和新型搜索机制的改进的混沌蝙蝠算法。首先采用均匀性更好的Tent混沌序列产生初始种群,以增强初始种群多样性。设计了新型频度和速度更新函数,以更好地调节种群的聚集速度,提高全局搜索能力,缓解局部最优现象。将混沌扰动思想引入蝙蝠算法,提出一种新的局部搜索机制和变步长搜索策略,以提高局部搜索的效率和精度。设计了基于混沌鲶鱼效应的种群激活机制,增强了蝙蝠群体跳出局部最优和加速收敛的能力。典型函数的对比测试结果证明了该算法的有效性。     

电力市场下基于改进遗传算法的AGC机组的选择

针对电力市场下参与竞标的各AGC机组的选择问题,提出了一种基于实数和二进制数混合编码,个体分段交叉变异的改进遗传算法.该算法采用实数模拟AGC机组的调节容量,无需解码,具有较高的收敛精度,同时采用二进制编码模拟AGC机组中标状态,充分利用了两种编码方式的优点;对群体中的个体采用了轮盘赌选择,并按容量段、状态段分别进行交叉、变异的遗传操作方法,较好的解决了电力市场下AGC机组选择这一0-1混合整数非线性规划问题.最后通过对某省实际电网的算例分析,验证了该算法的可行性.     

非劣解变异蛙跳算法

针对基本蛙跳算法搜索速度和精度不高的缺点,将变异的思路融入基本蛙跳算法,提出了一种非劣解变异蛙跳算法.算法充分利用蛙群的群体信息,对青蛙子族群中的若干非劣解结合自身信息和群体信息进行变异,避免了算法陷入局部最优,并大幅度提高了算法的搜索速度.实验表明,改进后的算法收敛速度以及收敛精度方面都比基本蛙跳算法有了很大程度的提高,同时,该算法与相关文献中的算法进行比较发现,其性能有较大的提高.     

一种新型混合布尔PSO算法的研究

针对基本粒子群算法产生初始种群的盲目性和在搜索过程中粒子多样性丧失的缺点,提出了一种采用混沌策略改进的混合混沌布尔(Chaotic Boolean)PSO算法,在每轮迭代中将适应度最差的20%粒子进行单点交叉,选择次差的20%粒子增加混沌扰动。数值仿真结果证明了改进后的Chaotic Boolean PSO算法能更快地找到最优值,有效避免容易陷入局部最优情况发生。     

改进GA算法的电力系统机组优化组合研究

提出了一种新的基于实数和二进制数统一编码的改进遗传算法.把机组组合问题分解为两个优化子问题,分别对其优化.应用实数编码来模拟功率并用实数遗传算法解决负荷经济分配问题,同时结合二进制编码模拟机组启停状态,解决了机组优化组合的0-1混合整数非线性规划问题.本算法运用到模拟10台机组的优化组合研究中,取得了很好的效果.     

融合麻雀搜索机制的改进混沌海鸥优化算法

针对海鸥优化算法收敛速度偏慢、易陷入局部最优解及求解精度低等问题,提出一种融合麻雀搜索机制的改进混沌海鸥优化算法(improved chaotic seagull optimization algorithm incorporating sparrow search mechanism, PSSOA)。使用分段线性混沌映射(piecewise linear chaotic map, PWLCM)对种群进行初始化,使海鸥个体更为均匀地分布在给定空间内;改进非线性搜索因子和随机因子,加快算法收敛速度,更好地平衡算法全局搜索和局部搜索;融合麻雀算法中的麻雀飞行机制,在后期局部搜索阶段扩大个体局部寻优范围,对海鸥位置进行二次更新,帮助个体跳出局部最优,提高寻优精度。使用16个基准测试函数进行仿真实验,将PSSOA与海鸥算法(seagull optimization algorithm, SOA)、粒子群算法(particle swarm optimization, PSO)、灰狼算法(grey wolf optimizer, GWO)和海洋捕食者算法(marine predators algo...     

一种改进的微种群遗传算法

 采用种群隔离机制、算术交叉、杰出者保留策略等对微种群遗传算法进行了改进。减少了重启动次数,增强了两次重启动之间遗传优化过程的全局和局部搜索能力,使算法在尽可能保有模式识别信息的前提下进行智能搜索;采用了实数编码,减少了编码和解码过程中的计算开销;引入了自适应随机变异算子,使之在不增加循环次数的前提下,增加了利用现有种群已经获得的遗传信息进行有效搜索的次数;引入了异种机制,有效提高了微种群遗传算法收敛于全局最优解的概率,加快了收敛速度。最后,标准测试函数的测试结果证明了这一改进的微种群遗传算法能够用远低于标准遗传算法的计算代价获得更佳的优化效果。     

基于改进粒子群优化算法的混沌系统参数估计

提出了一种改进的粒子群优化算法用于解决混沌系统的参数估计问题,从粒子种群的初始化、惯性权重调整策略、差分变异进化、粒子位置与飞行速度的越界处理、局部变尺度深度搜索5个方面对标准粒子群算法进行综合改进,合理有效平衡了算法的全局探索能力与局部开发能力.基准函数测试表明了该算法的全局搜索能力、可靠性及搜索速度都有很大改善,有效克服了标准粒子群算法的早熟收敛现象.以Lorenz混沌系统为例进行仿真实验,结果验证了所提方法的有效性.     

混合蛙跳算法在云计算资源调度的策略改进

混合蛙跳算法已在云计算资源调度有所运用。针对青蛙种群初始化随机性大、局部搜索盲目、容易陷入局部最优的问题,提出了一种混合蛙跳算法在云计算资源调度的改进策略。该改进策略首先运用SY-MM算法和随机生成方式结合的方法对种群进行初始化,生成适应度较好且保持多样性的青蛙种群;然后对传统蛙跳算法局部搜索中步长公式进行改进,使得能够自适应的去更新步长,进而提升局部搜索能力。通过实验证明改进算法对于云计算中资源调度的时间和负载平衡方面有良好的优化性能。     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.     

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.     

一种改进的混沌粒子群优化混合算法

提出了一种改进的混沌粒子群优化混合算法.该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化,并且将混沌变异操作引入其中,加强算法的局部搜索能力.通过对3个标准函数进行测试,仿真结果表明该算法与差分进化粒子群优化（DEPSO）算法相比,全局搜索能力和抗早熟收敛性能大大提高.     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

改进混合蛙跳算法的研究

针对传统混合蛙跳算法(SFLA)在优化过程中出现的求解精度不高、收敛速度慢、算法易陷入局部最优的问题,本文经过改变种群个体的位置更新公式,提出一种改进混合蛙跳算法(ISFLA)。在种群个体位置更新公式中,引入自适应同步因子和惯性权重系数。通过引入自适应同步因子,控制青蛙寻优过程中的移动步长,改进算法的局部搜索范围,保持种群的多样性。通过引入惯性权重系数,加入上一次的移动距离,表示对过去的经验记忆,加快搜索速度。通过对6个测试函数的实验结果表明,改进后的混合蛙跳算法相较于传统混合蛙跳算法具有较好的寻优性能。