基于差分进化改进混合核极限学习机的指纹定位

针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位方法。该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化算法自适应调整混合核极限学习机的参数,提高训练效率。在线阶段,利用混合核函数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。其泛化能力相较于单一核极限学习机提升明显。该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

基于改进混合樽海鞘群算法的航空发动机模型求解方法

针对传统智能优化算法在求解航空发动机模型非线性方程组时收敛速度慢、精度低的问题,提出采用樽海鞘群优化算法(salps swarm algorithm,SSA)。为了提升标准SSA求解复杂发动机模型的随机搜索能力,采用了混沌映射、正余弦算法、自适应权重、逐维变异策略对SSA进行改进,并且更进一步调整了算法流程(Process improved SSA),提高算法收敛概率,最终将Process improved SSA与Newton-Raphson算法结合为混合算法,并以适应度值作为算法切换的判断条件以提升混合算法的计算效率。仿真实验验证了Process improved SSA求解航空发动机模型的有效性。仿真结果表明混合算法能够实现全局收敛并提升收敛速度,且能够在模型输入强瞬变仿真时实现快速收敛。

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。

融合混沌映射和乘除算子的花授粉算法及应用

花授粉算法是一种群智能算法,广泛应用于各个领域。本文针对该算法存在收敛精度低、收敛速度慢、稳定性差等不足,提出基于混沌映射和乘除算子的花授粉算法(MDFPA)。首先,利用混合混沌映射更好的随机分布能力生成初始种群,减小随机误差给算法带来的影响;其次,反双曲正切函数有良好的性能,将其引入动态转换概率中,替换固定转换概率,提高算法收敛能力,有利于控制全局搜索和局部搜索之间的平衡;最后,在全局搜索阶段引入乘除算子对花粉位置进行放缩,在空间里进行充分搜索,避免算法陷入局部最优。通过对12个测试函数的仿真实验,表明该算法在单峰、多峰和固定维度测试函数上性能都优于花授粉算法(FPA)、粒子群算法(PSO)、布谷鸟算法(CS)和蜂群算法(ABC),寻优性能显著性提高,具有更快的收敛速度和更优的求解精度。将MDFPA算法应用于PID(Proportion Integration Differentiation)控制器参数优化中,结果表明优化后的PID控制器性能更优。

基于混合粒子群算法的配电网故障重构研究

为了实现含分布式电源的配电网络故障时的恢复供电,在分析粒子群算法基本原理与配电网络结构模型的基础上,提出一种基于混沌映射改进的自适应混合粒子群算法。将压缩因子与自适应权重引入粒子群算法,并借鉴遗传算法中的杂交与自然选择思想,在每次迭代中根据杂交率选取一定粒子进行两两杂交,把每次迭代结果中优秀的一半替换差的一半,并对适应度值良好的粒子进行Logistic混沌优化。接入分布式电源的IEEE 33节点算例,模拟不同算法进行故障重构。仿真测试结果体现出了改进算法具有更快的收敛速度与更好的稳定性。

余弦自适应混沌被囊体种群优化算法

针对被囊体种群优化算法存在易陷入局部最优、收敛速度慢等缺点,提出一种余弦自适应混沌被囊体种群优化算法。在模拟被囊体喷射推进行为中,引入余弦自适应曲线计算搜索个体间的社会作用力,从而改进算法易出现早熟的问题;并在搜索个体向最佳位置移动上增加了一种混沌行为,使其避免局部最优并拥有更快的收敛速度。采用多种标准测试函数进行测试,实验结果表明,提出的新的被囊群优化算法在保留原有算法优点的基础上具有更好的收敛速度、精度和全局最优性。

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。

基于混合递阶遗传算法的径向基神经网络学习算法及其应用

在研究径向基神经网络学习算法的基础上 ,提出了一种新型的径向基神经网络学习算法———混合递阶遗传算法 .该算法将递阶遗传算法和最小二乘法的优点结合在一起 ,能够同时确定径向基神经网络的结构和参数 ,并具有较高的学习效率 .采用基于混合递阶遗传算法的径向基神经网络对混沌时间序列学习和预测 ,取得了较好的效果 .

基于混沌遗传算法的PHEV能量管理策略优化

提出了一种新的混沌遗传算法,改进了混沌映射和遗传算法的结合方式,使种群在进化的过程中能够混沌搜索解空间,从而增强遗传算法的遍历性.该算法有效地克服了遗传算法局部收敛的缺陷.在软件ADVISOR2002中,以一辆采用模糊能量管理策略的插电式混合动力电动汽车(Plug-in Hybrid Electrical Vehicle,PHEV)为研究对象,应用该混沌遗传算法对其隶属函数和控制规则进行了优化.仿真结果表明,该算法可以实现对模糊控制器的全局优化.与原模糊控制策略相比,优化后的燃油经济性提高了5.15%,CO排放减少了6.39%.

基于粒子群和模拟退火算法的混合算法研究

在标准粒子群优化算法的基础上给出了一种改进策略,利用混沌变量的随机性、遍历性、规律性对粒子群进行初始化选择。同时为了增加粒子多样性又不流失适值较好的粒子,在一定的周期内对所有粒子重新进行有选择的初始化,并对除了种群最优之外对应的所有个体最优变异。计算结果表明,改进的粒子群算法提高了收敛精度和速度,但是个别函数寻优失败。将改进的粒子群算法结合模拟退火算法再次计算了测试函数,结果表明,改进的混合算法可以达到目标函数的全局最优点。

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合,既摆脱了算法搜索后期易陷入局部极值点的缺点,同时又保持了前期搜索的快速性.最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比,比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法.

混沌粒子群混合优化算法的研究与应用

为使粒子群优化算法(PSO)初始粒子均匀分布在解空间,分析了混沌运动的遍历性并根据粒子间欧式距离大小改进了PSO初始种群提取方法。提出了一种混沌粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和混沌优化算法同时进行。对四个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能好。

斜拉桥结构可靠度分析的混沌混合算法

根据可靠度指标的几何意义,联合应用混沌算法和BFGS算法,提出了基于混沌混合算法的可靠度分析方法。该方法将可靠度求解问题转化为最优化问题,利用混沌混合算法的全局收敛性实现可靠度问题的求解。利用数值算例和实际斜拉桥结构的可靠度分析对该方法的有效性进行了验证。在此基础上,对苏通长江大桥钢箱梁的可靠度进行了研究,探讨了随机变量的不定性和钢箱梁的不同组成部分对可靠度的影响。结果表明:所提出的方法为结构可靠度分析和钢箱梁的优化设计提供了新的思路和方法,能够有效弥补传统可靠度分析方法的不足,具有更高的精度。

基于混沌免疫混合算法的多目标无功优化

针对目前评价多目标函数解的不足,提出了将多目标函数各个解映射成多维空间中不同的点,利用这些点与理想点之间的欧氏距离来衡量各个解的优劣;同时针对无功优化、混沌优化算法和免疫算法的特点,提出了在采用免疫算法进行无功优化的记忆抗体群中,运用混沌优化方法和免疫算法的交叉和变异等操作对无功优化的连续变量和离散变量进行交替优化求解,并将它们运用于以降低有功损耗,提高电压稳定裕度及减小电压偏移为目标的无功优化中;通过IEEE-30和IEEE-118节点算例系统验证了混合算法及最优解评价方法的正确性和可行性。

非线性二维导热反问题的混沌-正则化混合解法

考虑热传导系数随温度变化 ,建立了非线性二维稳态导热反问题数值计算模型· 并把混沌优化方法和梯度正则化方法相结合 ,构成一种混沌_正则化混合算法求该计算模型的全局解· 以热传导系数随温度线性变化为例 ,由布置在结构边界上的观测点温度信息确定了结构材料热传导系数及其随温度变化规律· 结果表明混合算法计算结果与初值无关 ,具有很好的全局寻优性能 ,而且计算量远比经典遗传算法和单纯采用混沌优化方法小·

基于C-FS混合算法的微电网经济调度

为了引导储能设备进行深度充放电,提高其使用寿命,利用雨流计数法得到每次充放电对储能设备寿命的影响,建立起了考虑储能设备运行成本的微网经济调度模型。文中针对自由搜索算法(FS)收敛速度慢、易陷入局部最优等缺点,结合混沌理论和精英策略,提出了一种混沌自由搜索混合算法(C-FS)对微网经济调度模型进行求解。通过对14节点辐射状微网系统进行仿真分析,结果表明,考虑储能设备运行成本能有效提高储能设备使用寿命。同时,与传统算法相比,混沌自由搜索混合算法能迅速跳出局部最优解和快速收敛。

一类含间隙碰撞振动系统混沌运动的RBF神经网络控制

应用基于RBF神经网络的智能优化控制方法研究一类含间隙碰撞振动系统混沌运动的控制。基于RBF神经网络设计混沌控制器,利用混沌控制器输出小扰动施加于系统的可控参数,将混沌运动控制为预期的规则运动,同时将自适应混合引力搜索算法与RBF神经网络相结合,利用自适应混合引力搜索算法收敛速度快和全局寻优能力强的优势,优化混沌控制器的参数,避免了控制器参数选择的盲目性和主观性,提高了控制器的性能。该方法不需要被控系统的精确数学模型,适用于系统模型未知而仅获得实验数据的情况。

一种基于混沌优化的混合粒子群算法

粒子群算法是一类基于群智能的优化搜索算法。该算法初期收敛很快,但后期易陷入局部最优点。为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,提出一种基于混沌优化的混合粒子群算法。该算法首先用粒子群算法进行快速搜索,当出现早熟收敛时,对局部较优的部分粒子和全局极值采用混沌优化策略。对两个典型的测试函数进行仿真表明,该算法能够摆脱局部极值,得到全局最优。将其用于(N+M)系统费用模型求解,得到最优解,同样验证了该算法搜索效率、精度优于一般的粒子群算法,同时具有较好的收敛稳定性。

离散变量桁架结构拓扑优化设计的混合算法

将相对差商法和混沌优化结合起来,形成求解离散变量桁架结构拓扑优化设计的混合算法。利用相对差商法可以对离散变量快速寻优的特点,及混沌变量的全局遍历性,可以有效地跳出局部最优解,达到拓扑优化全局寻优的目的。通过采用和准最优解的对比及几何稳定性的判断等辅助性技术,降低了重分析次数。同时,高效的重分析方法的结合,提高了求解的效率,也避免了拓扑优化问题中求解的一些困难。算例表明,该算法对于离散变量的拓扑优化设计问题是快速有效的。

利用混沌搜索全局最优解的一种混合遗传算法

首先系统分析了遗传算法与其它算法混合的几种策略 ,详细讨论了遗传算法与混沌优化算法的混合问题后 ,给出一种新的混合遗传算法。仿真结果表明 ,新算法能在很短的时间内 1 0 0