自适应混沌量子克隆算法

自适应混沌粒子群算法对极限学习机参数的优化陈晓青;陆慧娟;郑文斌;严珂【期刊名称】《计算机应用》【年(卷),期】2016(036)011【摘要】针对极限学习机(ELM)在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法.结合自适应混沌粒子群(ACPSO)算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度.在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群极限学习机(DPSO-ELM)、粒子群极限学习机(PSO-ELM)等算法相比,自适应混沌粒子群极限学习机(ACPSO-ELM)算法具有较好的稳定性、可靠性,且能有效提高基因分类精度.%Since it was not ideal for Extreme Learning Machine (ELM) to deal with non- linear data,and the parameter randomization of ELM was not conducive for generalizing the model,an improved version of ELM algorithm was proposed.The parameters of ELM were optimized by Adaptive Chaotic Particle Swarm Optimization (ACPSO) algorithm to increase the stability of the algorithm and improve the accuracy of ELM for gene expression data classification.The simulation experiments were carried out on the UCI gene data.The results show that Adaptive Chaotic Particle Swarm Optimization-Extreme Learning Machine (ACPSO-ELM) has good stability and reliability,and effectively improves the accuracy of gene classification over existing algorithms,such as Detecting Particle SwarmOptimization Extreme Learning Machine (DPSO-ELM) and Particle Swarm Optimization- Extreme Learning Machine (PSO-ELM).【总页数】4页(P3123-3126)【作者】陈晓青;陆慧娟;郑文斌;严珂【作者单位】中国计量大学信息工程学院,杭州 310018;中国计量大学信息工程学院,杭州 310018;中国计量大学信息工程学院,杭州 310018;中国计量大学信息工程学院,杭州 310018【正文语种】中文【中图分类】TP181【相关文献】1.基于粒子群算法优化核极限学习机的磨煤机故障诊断 [J], 张文涛;马永光;董子健;杜景琦2.基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测 [J], 殷豪;董朕;孟安波3.基于粒子群算法优化极限学习机的区域地下水水质综合评价模型 [J], 朱伟峰; 张皓然; 张亮亮; 刘东4.粒子群算法优化极限学习机的旋风分离器压降建模 [J], 王兆熙;延会波;张玮5.基于极限学习机的双馈感应风力发电机综合自适应调频参数优化方法 [J], 金皓纯;葛敏辉;徐波因版权原因，仅展示原文概要，查看原文内容请购买。

自适应混沌粒子群优化算法赵志刚;常成【期刊名称】《计算机工程》【年(卷),期】2011(037)015【摘要】The Particle Swarm Optimization(PSO) algorithm has a few disadvantages in solving complex functions, including slow convergence rates, low solving precisions and high possibilities of being trapped in local optimum. An Adaptive Chaos Particle Swarm Optimization algorithm (ACPSO) is presented based on several improvements in original PSO. ACPSO improves the performances of the standard PSO by applying chaos searching mechanism to avoid premature convergence. The dynamically decreasing inertia weight is employed to enhance the balance of global and local search of algorithm. Experimental results show that the proposed algorithm not only has great advantages of convergence property over standard PSO, but also avoids effectively being trapped in local optimum.%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.【总页数】3页(P128-130)【作者】赵志刚;常成【作者单位】广西大学计算机与电子信息学院,南宁,530004;广西大学计算机与电子信息学院,南宁,530004【正文语种】中文【中图分类】TP18【相关文献】1.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 [J], 周孝法;陈陈;杨帆;陈闽江2.基于自适应混沌粒子群优化算法的多目标无功优化 [J], 李娟;杨琳;刘金龙;杨德龙;张晨3.基于自适应变异的混沌粒子群优化算法 [J], 李建美;高兴宝4.公交优先交通信号优化控制的动态自适应混沌粒子群优化算法 [J], 蔡延光;黄柏亮;蔡颢;黄何列;戚远航5.基于动态自适应混沌粒子群优化算法的干线协调控制方法 [J], 郭海锋;黄贤恒;徐甲;乔洪帅因版权原因，仅展示原文概要，查看原文内容请购买。

自适应混沌量子克隆算法
李阳阳;焦李成
【期刊名称】《西安电子科技大学学报（自然科学版）》
【年(卷),期】2007(034)005
【摘要】针对传统进化算法的早熟和收敛速度慢等瓶颈问题,提出了自适应混沌量子克隆算法.算法中采用量子编码来表示个体,利用个体质量、进化代数和个体的分布情况构造变异算子,针对克隆算子局部寻优能力强的特点,通过logistic混沌序列自适应地调节变异尺度,提高种群多样性,避免盲目搜索.对函数优化问题的仿真实验表明:本算法求解精度高,均方差小于10-7;运算次数小,平均运算代数在10代以内就能获得高质量的解.
【总页数】6页(P722-727)
【作者】李阳阳;焦李成
【作者单位】西安电子科技大学,智能信息处理研究所,陕西,西安,710071;西安电子科技大学,智能信息处理研究所,陕西,西安,710071
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于权重自适应调整的混沌量子粒子群算法的城市电动汽车充电站优化布局 [J], 于擎;李菁华;赵前扶;邢春阳
2.权重自适应调整的混沌量子粒子群优化算法 [J], 李欣然;靳雁霞
3.自适应混沌量子粒子群算法及其在WSN覆盖优化中的应用 [J], 周海鹏;高芹;蒋丰千;余大为;乔焰;李旸
4.量子混沌自适应粒子群优化算法的研究 [J], 丁知平
5.基于组合混沌策略自适应量子微粒群的Volterra核辨识算法 [J], 李宁洲;冯晓云因版权原因，仅展示原文概要，查看原文内容请购买。

自适应混沌粒子群算法
ACPSO算法的核心思想是通过模拟粒子在解空间中的搜索和迭代更新，以找到最优解。

与传统的粒子群算法不同的是，ACPSO引入了混沌序列来调整算法的参数，使其具有更好的全局搜索能力和收敛速度。

在ACPSO算法中，粒子的位置和速度会根据当前的最优解和全局最优解进行更新，同时混沌序列会影响粒子的搜索方向和速度，从而增加了算法的多样性和随机性。

这种自适应的调整可以使ACPSO算法更好地适应不同问题的特性，提高了算法的鲁棒性和收敛性能。

另外，ACPSO算法还可以动态调整自身的参数，如学习因子和惯性权重，以适应问题的变化和复杂度。

这种自适应性使ACPSO算法在处理动态优化问题时表现出色。

总的来说，自适应混沌粒子群算法是一种高效的优化算法，它结合了粒子群算法和混沌优化的优点，通过自适应调整参数和引入混沌序列，提高了算法的全局搜索能力和收敛速度，适用于多种优化问题的求解。

权重自适应调整的混沌量子粒子群优化算法李欣然;靳雁霞【摘要】A novel algorithm is presented on the base of quantum behaved particle swarm optimization, which is aimed at resolving the problem of slow convergence rate in optimizing higher dimensional sophisticated functions and being trapped into local minima easily.Chaos algorithm is incorporated to traverse the whole solution space. First ,rate of cluster focus distance changing was introduced in this new algorithm and the weight was formulated as a function of this factor which provides the algorithm with effective dynamic adaptability. Secondly, a method of effective judgment of early stagnation is embedded in the algorithm. Once the early maturity is retrieved, the algorithm mutates particles to jump out of the local optimum particle according to the structure mutation so as to reduce invalid iteration. Experiments on high-dimension test functions indicate that the improved algorithm is superior to classical PSO algorithm and quantum-behaved PSO algorithm.%针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算子的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法.新算法首先引入聚焦距离变化率的概念,将惯性因子表示为关于聚焦距离变化率的函数,从而使算法具有动态自适应性;其次,在算法中嵌入有效判断早熟停滞的方法,一旦检索到早熟迹象,根据构造的变异概率对粒子进行变异使粒子跳出局部最优,从而减少无效迭代.对高维测试函数的实验表明:改进算法的性能优于经典的PSO算法,基于量子行为的PSO算法.【期刊名称】《计算机系统应用》【年(卷),期】2012(021)008【总页数】4页(P127-130)【关键词】基于量子行为的粒子群优化算法(QPSO);混沌序列;惯性权重;聚焦距离变化率;变异【作者】李欣然;靳雁霞【作者单位】中北大学电子与计算机科学技术学院,山西太原030051;中北大学仪器科学与动态测试教育部重点试验室,山西太原030051【正文语种】中文粒子群优化(Particle Swarm Optimization，PSO)是由 Kennedy 和 Eberhart 于1995 年提出的一类模拟群体智能行为的优化算法[1]，与遗传算法和蚁群算法相比，PSO有着算法简单，容易实现，并且可调整参数少等特点，因此被广泛地应用于函数优化、神经网络训练、数据挖掘、模糊系统控制以及其他的应用领域。

权重自适应调整的混沌量子粒子群优化程伟;陈森发【摘要】针对量子粒子群优化算法在处理高维复杂函数收敛速度慢、易陷入局优的问题,利用混沌算予的遍历性提出了基于惯性权重自适应调整的混沌量子粒子群优化算法.该算法在运行过程中根据粒子适应值的优劣情况,相应采取不同的惯性权重策略,以调节粒子的全局搜索和局部搜索能力.对几个典型函数的测试结果表明,该算法在收敛速度和精度上有大幅度的提高,且有很强的避免陷入局优的能力,性能远远优于一般的粒子群算法和量子粒子群算法.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)009【总页数】3页(P46-48)【关键词】群体智能;粒子群优化;量子粒子群优化;惯性权重自适应调整【作者】程伟;陈森发【作者单位】东南大学,经济与管理学院,系统工程研究所,南京,210096;东南大学,经济与管理学院,系统工程研究所,南京,210096【正文语种】中文【中图分类】TP3011 引言所谓群体智能指的是无智能主体通过合作表现出智能行为的特性。

群体智能算法是一种新兴的演化计算技术，与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。

通过对生物群体的观察和研究发现，生物群体内个体间的合作与竞争等复杂性行为产生的群体智能往往能对某些特定的问题提供高效的解决方法。

群体智能自提出以来，由于其在解决复杂的组合优化类问题方面所具有的优越性能，在诸如工程设计与优化、电力系统领域、机器人设计与控制、交通规划以及计算机网络等领域取得了较为成功的应用。

此外，群体智能算法还用于交通导航与路径规划的动态规划、任务分配、数据挖掘和数据高层综合问题以及系统辨识与状态估计等。

在计算智能领域中，有3种基于群体智能的算法：蚁群优化算法、粒子群优化算法和人工鱼群算法。

蚁群优化算法是对蚂蚁集群觅食规律的模拟，结合了分布式计算，正反馈机制和贪婪式搜索，且具有较强的鲁棒性和可扩充性，但是容易出现停滞，达到收敛也需较长时间。