基于ACPSO的PSR-MK-LSSVM瓦斯浓度动态预测方法

为了准确预测采煤工作面的瓦斯浓度,提出基于相空间重构理论、自适应混沌粒子群优化理论的混合核最小二乘支持向量机瓦斯浓度动态预测方法。以井下无线传感器网络监测系统采集到的工作面瓦斯浓度作为研究对象,通过平移不变小波降噪法滤除干扰瓦斯浓度的噪声,以相空间重构的瓦斯浓度序列样本训练混合核最小二乘支持向量机模型,利用自适应混沌粒子群算法优化模型参数,并通过误差校正的方法提高整体系统的预测精度。实验结果表明,提出的动态预测方法可以实现对工作面的瓦斯浓度的良好预测,平均相对误差MAPE值为0.024 1、相对均方根误差RRMSE值为0.209 7和平均相对变动ARV值0.003 11,预测结果合理并且满足工程的实际需要,可为煤矿瓦斯预测和防治工作提供有效理论依据。

基于RACPSO的测试用例自动生成方法

针对粒子群优化算法在软件测试用例自动生成过程中存在后期收敛速度慢、易陷入局部最优及求解精度低的问题,基于约简的自适应混沌粒子群优化(RACPSO)算法,提出一种测试用例自动生成方法。将粒子群标准进化方程化简为无速度项的进化方程,设计基于适应度值自适应调整的惯性权重,实现粒子的位置更新。采用基于群体适应度方差的早熟收敛判断策略进行混沌搜索,并通过增加粒子的多样性克服早熟收敛现象。实验结果表明,与标准粒子群优化算法和自适应粒子群优化算法相比,RACPSO算法在收敛速度与求解效率方面更具优势。

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。

改进的混沌粒子群算法在TSP中的应用

针对基本粒子群(PSO)算法不能较好地解决旅行商优化问题(TSP),分析了基本粒子群算法的优化机理,在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点,提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法。该算法对惯性权重进行自适应调整,引入混沌载波调整搜索策略避免陷入局部最优,形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法,使其适合解决TSP此类组合优化问题。利用MATLAB对其进行了仿真。仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优,证明了此算法在TSP中应用的有效性,且为求解TSP提供了一种参考方法。

基于混沌搜索的AMPSO-BPNN在光伏功率预测中的应用研究

以光伏发电系统的输出功率为研究对象,通过分析光伏发电功率的影响因素,利用相似日原理生成训练样本,将混沌搜索和自适应变异思想引入粒子群算法中,提出混沌搜索的自适应变异粒子群优化BP神经网络的预测模型。该模型较好地克服了BP网络初始化的随机性问题,提高了模型的泛化能力、收敛速度与预测精度。利用光伏电站与气象观测站的数据进行仿真分析与验证,结果表明:优化后模型的预测精度高于优化前,且混沌搜索的AMPSO的优化效果好于单纯PSO的优化效果。

利用自适应混沌遗传粒子群算法反演瑞雷面波频散曲线

为了提高瑞雷面波频散曲线的反演精度,减少反演过程中的多解性,获取更准确的地下横波速度结构,本文从反演算法入手,对基本的粒子群算法进行改进,提出了一种能同步提高全局和局部搜索能力的自适应混沌遗传粒子群算法(ACGPSO):即先采用自适应惯性权重,并设置粒子的节速度,再引入遗传算法的交叉和变异操作及单维全分量的混沌局部搜索。利用该算法对理论模型的无噪和含噪基阶频散曲线进行反演,且针对含噪数据加入二阶与三阶频散曲线进行联合反演。所得反演结果与常规粒子群算法反演结果的对比表明:ACGPSO算法具有更好的稳定性和抗噪性,且基于该算法的联合反演能有效降低解的多解性,显著提高解的精度。对实际数据所做的两步法反演的效果进一步验证了该算法的适用性。

基于Tent映射的自适应混沌嵌入式粒子群算法

为避免粒子群算法后期出现早熟收敛,提出一种基于Tent映射的自适应混沌嵌入式粒子群算法。将混沌变量嵌入到标准粒子群算法中,且对参数进行自适应调整。算法采用Tent映射生成的混沌序列来取代基本粒子群算法中的随机数,充分利用了混沌运动的随机性、遍历性和规律性;惯性权重和学习因子采用非线性的自适应调整策略;建立平均粒距与适应度方差相结合的早熟收敛判断机制,并且以混沌搜索的方式来跳出局部最优。测试函数仿真结果表明,该算法具有良好的全局搜索能力,寻优精度较高,鲁棒性好。

基于自适应混沌粒子群优化的防空目标分配

粒子群优化算法存在早熟收敛和搜索精度较低的问题。为此,提出一种基于自适应混沌粒子群的优化算法。采用自适应权重和遗传算法中的交叉、变异操作更新粒子群,增加种群粒子的多样性,运用早熟判断机制判断粒子的当前状态,当粒子处于早熟状态时,利用混沌搜索的方法引导群体快速跳出局部最优。仿真结果表明,该算法可以有效解决粒子群算法的早熟问题,提高搜索精度和收敛速度。

基于自适应混沌粒子群优化算法的多馈入直流输电系统优化协调直流调制

为了提高交直流互联系统的整体动态稳定性,提出了一种新的基于混沌优化思想的自适应混沌粒子群优化算法,并将其应用于多馈入直流输电系统中各直流调制的优化协调。该算法利用混沌运动的遍历性来初始化粒子群以增强群体的多样性,在粒子群的每次迭代更新计算中,按适应值大小选取部分粒子对其进行混沌优化以帮助惰性粒子跳出局部极值区域,根据每个粒子的适应值自适应地调整其惯性权重系数以提高整个群体的全局与局部搜索能力。以一三区域双馈入交直流并联输电系统为例,选取与直流线路并联运行的交流联络线上的有功功率偏差和各发电机的功角偏差构成目标函数,应用自适应混沌粒子群优化算法对各双侧频差直流调制控制器的参数进行了全局优化协调整定,并与传统粒子群优化算法、遗传算法的优化结果进行了比较,结果表明该算法能更好地实现各直流系统调制间的优化协调,增强了整个系统对低频振荡的阻尼能力,可作为多馈入直流输电系统中直流调制优化协调的一种有效方法。

自适应混沌粒子群算法在PSS设计中的应用

该文采用一种改进的粒子群算法PSO———自适应混沌粒子群算法ACPSO,对多机电力系统稳定器参数进行优化设计,以抑制系统低频振荡。该算法通过混沌初始化粒子群,在迭代计算过程中根据粒子的适应值自适应地调整算法惯性系数,从而可以获得更好的全局搜索能力和收敛速度。选取系统机电振荡模式最小阻尼比最大化为目标函数,将PSS参数优化转换为带不等式约束的非线性优化问题。以3机9节点系统为例,特征值和非线性仿真结果表明,运用该方法设计的PSS能够有效地抑制外界扰动引起的低频振荡。

自适应混沌粒子群优化算法

粒子群优化算法在求解复杂函数时,存在收敛速度慢、求解精度不高、易陷入局部最优点等问题。为此,提出一种自适应混沌粒子群优化算法。在基本粒子群算法中引入混沌变量,当算法陷入早熟收敛时进行混沌搜索,同时引入非线性递减的惯性权重。实验结果表明,该算法具有较快的收敛速度和较高的收敛精度,能有效避免早熟收敛问题。

基于混沌自适应变异粒子群优化的解相干算法

针对相干信源波达方向估计的需要,结合粒子群优化算法,论文提出了一种基于混沌自适应变异粒子群优化的广义极大似然算法(CAMPSOGML),算法对阵列的几何结构没有任何约束,分辨的信源数可大于阵元数,算法把混沌初始化和自适应变异策略引进粒子群算法中,有效地提高了收敛速度,克服了粒子群算法容易陷入局部最优值的缺点。计算机仿真表明:与基于实数遗传算法和粒子群算法的广义极大似然估计方法相比,CAMPSOGML算法在收敛速度和估计精度上都有优势,是一种新颖的有效的解相干算法。

融合自适应混沌差分进化的粒子群优化算法

针对粒子群优化算法易出现早熟收敛、收敛效率低的缺点,提出一种融合自适应混沌差分进化的粒子群优化算法.该算法首先将自适应混沌引入差分进化算法,再将所得结果进行一次校正变异和校正选择,最后将所得算法融合到粒子群优化算法,从而有效地利用与平衡了粒子群优化算法和差分进化算法的探测和开发能力,且局部搜索能力增强,进一步提高算法的求解精度和效率.数值实验证明本文算法的有效性.

一种改进的粒子群与差分进化混合算法

粒子群优化算法(PSO,particle swarm optimization)在搜寻全局最优解时易出现局部最优、收敛速度慢、收敛精度低等缺点.为此,在基本的粒子群优化算法中引入了Tent混沌操作以及惯性权重的自适应调整操作,并且与加入了参数自适应调整操作的差分进化(DE,differential evoluation)算法进行融合,提出一种改进的自适应混沌粒子群(IPSO,improved particle swarm optimization)算法与自适应差分进化(IDE,improved differertion evolution)算法的混合算法.仿真结果表明,相比于PSO和DE算法,新提出的算法具有收敛速度快、搜索能力强的优点.

基于改进Tent映射的自适应变尺度混沌粒子群算法

为改善标准粒子群优化算法本身存在的缺陷,引入种群混沌初始化方法、参数自适应调整策略、早熟判断机制以及基于改进Tent映射的变尺度混沌局部搜索方法对原有算法进行改进,提出一种基于改进Tent映射的自适应变尺度混沌粒子群算法(Improved Adaptive Chaos PSO,IACPSO)。多种高维Benchmark函数的计算结果表明,IACPSO算法在计算精度、优化稳定性及收敛速度方面均明显优于其他改进粒子群优化算法。

基于混合自适应Memetic算法的贝叶斯网络结构学习

Memetic算法是一种基于种群的全局搜索和基于个体的局部启发式搜索的结合体,具有较高的全局搜索能力,将其成功应用于贝叶斯网络的结构学习。该算法在基本的遗传算法操作算子中,引入粒子群算法的基本思想,同时利用混沌的遍历性和云自适应的快速收敛性,提出了一种云自适应的混沌变异搜索进行局部搜索,实现全局优化,跳出局部最优。实验证明该算法在贝叶斯网络结构学习中具有很好的效果。

水电站水库优化调度混沌粒子群算法

针对粒子群算法易陷入局部最优问题,从数学角度分析了粒子群算法易陷入局部最优的理论原因,提出一种自适应混沌变异粒子群算法,对陷入局部最优的粒子产生变异,增加算法的遍历性、种群的多样性,以跳出局部最优解,用来解决水库优化调度问题。与现有算法相比,自适应混沌变异粒子群算法计算快,稳定性强,既避免了粒子群算法陷入局部最优,同时在一定程度上又保证了收敛性。

一种不确定对象的自适应智能PID控制系统

针对不确定非线性、时滞对象,提出了一种自适应智能PID控制系统。将模糊神经网络和PID神经网络相结合,构成一种智能型PID控制器;控制器参数采用混沌策略与粒子群算法结合的混沌粒子群离线优化和误差反传算法在线调整相结合的方法获得;通过引入最小二乘支持向量机用作辩识器,使控制系统能处理具有未知特性的不确定对象的控制问题。仿真结果表明:通过辩识器的良好非线性映射能力和控制器及其优化算法的有效结合,系统响应速度快、平稳、超调小,且具有一定的鲁棒性,验证了该系统的可行性和有效性。

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。

基于改进匹配潮流技术的配电网虚拟量测

针对缺少冗余量测的配电网系统,为了简化状态估计方法、保证计算精度,优化配电网络状态,基于匹配潮流思想提出了配电网虚拟量测的概念,建立了以电压量测自适应抗差加权最小二乘为目标函数、以网络潮流匹配和功率失配量分配参数方程为约束条件的虚拟量测数学模型,给出了引入混沌优化、强引导机制的改进粒子群优化求解方法,并详细介绍了配电网虚拟量测的应用流程。采用IEEE8、IEEE33、IEEE69节点系统对该方法进行测试,结果表明,方法可在较少的迭代次数内获得较为准确的配电网状态,且不涉及量测变换、矩阵计算,具有良好的应用前景。