基于竞争-协作式信息交互的并行混沌优化算法研究

针对混沌优化对初始值敏感、搜索精确解效率低等不足,研究一种基于竞争-协作式信息交互的并行混沌优化(ICPCO)算法.ICPCO算法采取并行混沌迭代机制,在每一次迭代搜索之后,根据并行优化解分布状况不同,分别采取竞争或协作式信息交互再次寻优.描述ICPCO算法思想和实现步骤,分析其收敛性和优化性能.仿真实验表明,ICPCO算法不仅具有全局搜索能力,而且以信息交互方式提高了优化效率和搜索精度,算法收敛,稳定性增强.

基于改进人工蜂群算法的移动机器人路径规划研究

为了进一步提升基于人工蜂群(artificial bee colony,ABC)算法机器人路径规划的科学性,文章在建立路径规划实验模型基础上在ABC算法中引入了混沌映射产生初始解和反轮盘赌机制进行并行选择,提出等距分布式并行搜索,同时在全局更新机制中引入势场作用,进而得到了一种改进人工蜂群的(improved artificial bee colony,IABC)算法。将IABC算法应用于路径规划,并利用Taguchi正交试验选取实验参数值与目标函数参数值进行基于ABC算法与IABC算法的路径规划对比实验,实验结果表明,IABC算法规划出的路径质量较佳,能够提升规划效率。

基于PCGPS算法的UCAV自主攻击可投放区快速解算

无人作战飞机(UCAV)可投放区解算的实时性和精确性直接制约着UCAV自主攻击水平。针对传统可投放区求解过程中存在求解速度慢、实用性受限等缺点,提出了一种基于并行混沌模式搜索(PCGPS)策略的快速算法。该算法综合了并行混沌搜索算法的全局最优搜索能力和广义模式搜索算法的局部精确搜索能力,将混沌变量映射到可投放区边界范围内,并利用并行混沌搜索算法搜索初步最优值作为广义模式搜索的初值,再利用广义模式搜索算法进行局部精确搜索,得到全局最优可投放区边界值。在此基础上,研究了UCAV投弹方式、投弹速度和投弹高度对可投放区边界的影响。数字仿真表明,该算法搜索精度高、速度快,具有快速解算自主攻击可投放区能力。

并行混沌神经网络建模方法应用研究

针对开关磁阻电动机的非线性特点及其现有建模方法存在初始网络权值参数随机给定和易于陷入局部最小点的缺点,提出了一种采用并行优化混沌BP神经网络的建模方法。该方法首先利用混沌系统对神经网络权值向量、阈值向量进行初始优化,然后利用BP神经网络的Levenberg-Marquardt算法进行收敛训练,如果陷入局部最小点则再次使用并行混沌搜索进一步优化模型,使模型具有精度高、速度快的特点。模型训练和开关磁阻电动机调速系统动态仿真结果表明,采用该方法建立的模型运行平稳,系统动态性能好,响应速度快。

基于混沌优化技术的并行进化模型及性能分析

提出了基于混沌优化技术的并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法、灾变算子,宇宙间采用基于学习机制的移民、基于混沌序列的信息交互,因此算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。不仅从理论上分析了算法的性能,而且通过仿真实验验证了该算法的优越性。

融合并行混沌萤火虫算法的K-调和均值聚类

针对K-调和均值算法易陷于局部最优的缺点,提出一种基于改进萤火虫算法(firefly algorithm,FA)的K-调和均值聚类算法。将基于FA的粗搜索与基于并行混沌优化FA的精细搜索相结合,其中精细搜索部分首先通过FA搜索到当前最优解及次优解,然后通过改进的logistic映射与并行混沌优化策略产生混沌序列在其附近直接搜索,以增强算法的寻优性能。最终,将这种改进的FA用于K-调和均值算法聚类中心的优化。实验结果表明:该算法不但对几种测试函数具有更高的搜索精度,而且对6种数据集的聚类结果均有一定的改善,有效地抑制了K-调和均值算法陷于局部最优的问题,提高了聚类准确性和稳定性。

基于并行混沌量子粒子群算法的梯级水库群防洪优化调度研究

梯级水库群防洪优化调度问题规模庞大、结构复杂,涉及大量的决策变量和复杂的约束条件,各水库、各时段之间的水位、流量存在复杂的耦合关系,呈现出高维度、非线性、强约束特性,传统的优化方法难以直接求解或者计算效率低,存在早熟收敛问题。研究工作试图将量子粒子群算法(QPSO)引入到水库群防洪优化调度问题中,为了提高算法的全局搜索能力和收敛性能,对标准QPSO做了改进,包括利用混沌思想初始化种群、自适应激活机制和精英粒子混沌局部搜索策略3个方面,并引入多核并行计算技术以降低计算时间,提出了并行混沌量子粒子群算法(PCQPSO),函数测试证明了PCQPSO的可行性、稳定性和高效性。将PCQPSO应用到水库群防洪优化调度问题中,与POA、QPSO进行对比分析,结果表明PCQPSO收敛效率快、求解精度高,为解决梯级水库群防洪优化调度问题提供了一种有效的新思路。