混沌粒子群神经网络在变形预测中的应用研究

格式：pdf
大小：1.07 MB
文档页数：5

下载文档原格式

【计算机应用研究】_混沌粒子群算法_期刊发文热词逐年推荐_20140724

2010年序号 1 2 3 4 5 6 7 8 9 10
2010年科研热词混沌粒子群算法粒子群优化算法模拟退火杂交最大互信息图像配准协同优化算法人工鱼算法推荐指数 2 1 1 1 1 1 1 1 1 1
2011年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
科研热词粒子群算法混沌粒子群混沌粒子群算法项目管理非线性铁路空车调配逻辑自映射逻辑斯特函数适应度方差车辆路径问题粒子群优化算法算法分析混沌自适应变异混沌搜索混沌序列混沌变异混合型粒子群算法污水处理水火电力系统模糊c-均值聚类早熟收敛速度收敛比率差分进化局部搜索能力基因粒子群算法均匀性图像分割变尺度发电资源调度问题函数优化关键链全局优化免疫粒子群算法
推荐指数 3 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14
2013年科研热词项目调度舰载机出动调度粒子群算法粒子群算法应用比较种群协作混沌粒子群算法混沌局部搜索混沌柔性资源干扰管理多项目调度多目标优化仿真推荐指数 1 1 1 1 1 1 1 1 1 1 1 1 1 1
推荐指数 4 4 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2012年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

求解非线性方程组的混沌粒子群算法及应用

基金项目 : 国家自然科学基金( 20276063) 资助项目 . 作者简介 : 莫愿斌( 1969 -) , 男 , 博士生 ; 陈德钊＊( 1945 -) , 男 , 教授 , 博士生导师 ; 胡上序( 1934 -) , 男 , 教授 , 博士生导师 .
η 2 3( pgd ( j)-x i ( j) ) x i( j +1)= xi ( j)+v i ( j +1)
1 2( vi ( j +1)= ω 1 vi ( j)+η pid ( j)-x i ( j) )+
Υ ( x)=
i =1
x) , x =( x 1 , x 2 , …, x n) ∑f i (
2
将求解非线性方程组转化为求解能量函数极小值点。给定一个实常数 ε , 在求根区域内搜索 x0 = ( x 10 , x 20 , …, x n0) , 使得 Υ ( x0 )< ε , 则 x0 是收稿日期 : 2005-06 -13 ; 修改稿收到日期 : 2006 -04-25 .
第 4 期
莫愿斌 , 等 : 求解非线性方程组的混沌粒子群算法及应用
507
应值 f ( xi ) , 有 pBest i = x i , 经比较得出 gBest 。 S tep2 将 xi 的每个分量通过式( 6)的变换 , 映射为混沌变量 cx i , 各分量 cx i ∈ ( 0 ,1. 0) 。 S tep3 各粒子将通过式( 3 , 4) 算式 , 计算速度 v i , 并调整至新位置 xi , 进而计算适应值 f ( x i) 。 S tep4 混沌变量 cx i 的各分量经式( 5)作混沌运动 , 并变换为 cy i 。 S tep5 将 cy i 的每个分量通过式( 7) 变换 , 映射为 { ai , bi } i =1 间的普通变量 y i , 并计算 f ( yi) 。 S tep6 比较 f ( x i) , f( pBest i )与 f ( yi) , 以其中的最优值 , 确定下一迭代步的 pBest i 。 S tep7 比较各 f ( pBest i )与 f ( gBest ) , 确定下一迭代步的 gBest 。 S tep8 判断是否已满足终止条件 , 若是 , 终止算法运行 , 输出当前的最优解与最优值 ; 否则 , 返回到 S tep2 , 继续运行。

混合粒子群径向基神经网络的短期负荷预测的应用

ｖｒｅｃｒｃｓｏｆｔａｉＳＯｌｏｉｈａｄｏｅｃｍｅｔｅｄｆｃｆｅｓｌａｌｎｎｏｔｏａｐｔｕ，ｅｇｎｅｐｅｉｉｎｏｈｅｂｓｃＰａｇｒｔｍｎｖｒｏｈｅｅｔｏａｉｙｆｌｉｇｉｔｈｅｌｃｌｏｉｉｇＢａｅｎＨｙｒｄＰａｔｃｅＳｗａｍｈｏｔＴｅｍＬｏｄＦｏｅａｔｎｓｄｏｂｉｒｉｌｒ
ＯｐｔｍｉａｉｎａｄＲａａｓｓＦｕｎｔｏＮｅｒｌＮｅｗｏｋｏｅｉｚｔｏｎｄｉｌＢａｉｃｉｎｕａｔｒＭｄｌ
Ａｂｓｒｃ：Ｔｈｅｕｔｏｈｒ－ｅｍｏｄｆｒｃｓｉｇｉｍｐｒａｔｔｃｎｍｉｅｅｔＩｒｅｏｉｒｖｈｏｔａｔｅｒｓｌｆｓｏｔｔｒｌａｏｅａｔｓｉｏｎｏｅｏｏｃｂｎｆ．ｎｏｄｒｔｍｐｏｅｔｅｃｎ— ｎｔｉ
（西大学电气丁程学院，西南宁５００）广广４０３
摘要：电力短期负荷预测的结果对电力系统的经济效益具有重要影响．了克服基本粒子群为（ａｔｌＳａｍＯｔｚｔｎＰＯ）法收敛精度不高、Ｐｒｃｗｒｐｉａｉ，Ｓ算ｉｅｍｉｏ易陷入局部最优的缺点，出一种将自然提选择和变异结合的混合粒子群（ｙｒａｔｌＳａｍＯｔｉｔｎＨＰＯ）法，ＨｂｉＰｒｃｗｒｐｉｚｉ，Ｓ算ｄｉｅｍａｏ可以保持种群的多样性，有效地避免粒子早熟，并利用混合粒子群算法优化径向基神经网络的权值，最后将优化好的径向基神经网络进行广西某市的短期电力负荷预测．算结果表明，算法收敛速度快，计该并

混沌映射优化粒子群

混沌映射优化粒子群
混沌映射优化粒子群算法是一种基于混沌映射的粒子群优化算法。

混沌映射，如Logistic 映射，被用于生成随机数序列，以增加算法的随机性和多样性。

该算法通过设计一种无质量的粒子来模拟鸟群中的鸟，每个粒子仅具有两个属性：速度和位置。

然后通过迭代找到最优解。

在每一次的迭代中，粒子通过跟踪两个“极值”(pbest，gbest)来更新自己。

在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。

混沌映射优化粒子群算法的具体步骤如下：
1. 初始化粒子群，包括每个粒子的位置和速度。

2. 采用混沌映射生成随机数序列，用来更新每个粒子的速度和位置。

3. 根据粒子的当前位置和历史最优位置来更新粒子的历史最优位置。

4. 根据所有粒子的历史最优位置来更新全局最优位置。

5. 根据更新后的速度和位置，继续迭代。

该算法具有简单、容易实现并且没有许多参数的调节等优势，已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。

混沌粒子群算法范文

混沌粒子群算法范文混沌粒子群算法（Chaos Particle Swarm Optimization，CPSO）是一种基于粒子群优化算法（Particle Swarm Optimization，PSO）和混沌理论的混合优化算法。

混沌理论是一种研究非线性动力系统中的不确定性和不可预测性的数学理论。

混沌系统表现出随机性和确定性之间的奇妙平衡，在动力系统中呈现出复杂的、难以预测的行为。

粒子群优化算法是一种通过模拟鸟群、鱼群或昆虫等群体中个体交流和合作的行为，以优化目标函数的全局优化方法。

在混沌粒子群算法中，先引入混沌序列作为粒子的速度更新项，将其与原始粒子群算法中的惯性权重和加速系数结合起来。

混沌序列用于控制粒子的飞行轨迹和速度，从而对粒子的更新进行调整，增强了算法的全局和收敛性能。

混沌粒子群算法的流程与传统粒子群算法相似。

首先，初始化粒子群的位置和速度，然后通过迭代计算每个粒子的适应度值，并根据最优适应度值来更新全局最优解和个体最优解。

不同的是，混沌粒子群算法在速度更新过程中引入了混沌序列。

混沌序列可由一些经典的混沌映射生成，例如Logistic映射、Tent映射或Sine映射等。

通过混沌映射计算得到的混沌状态序列可以用来调整原始粒子群算法中的惯性权重和加速系数，以改变粒子的飞行速度和轨迹。

混沌粒子群算法的优势在于能够通过引入混沌序列增强算法的全局能力，避免算法陷入局部最优解。

混沌序列的引入使得粒子的速度和位置更新更具随机性和多样性，提高了算法的效率。

此外，混沌粒子群算法还可以通过调整混沌映射的参数来实现算法的自适应性。

然而，混沌粒子群算法也存在一些问题，如参数选择困难、收敛速度慢等。

参数选择对算法的性能和收敛性有着重要的影响，不同的问题可能需要不同的参数设置。

此外，混沌粒子群算法相对于传统的粒子群优化算法而言计算量更大，需要更多的迭代次数才能得到较好的结果。

总之，混沌粒子群算法是一种结合了混沌理论和粒子群优化算法的优化方法。

一种混合量子粒子群算法在神经网络设计中的应用

研究与开发
— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —
：
“
ｋ
Ｌ（１ＪＪ）
Ｌ）（ｚ２Ｊ
“
Ｚ
／－ｄｄＺ￣，／
子粒子群算法（ＤＳ）网络拓扑结构优化的同时利ＱＰＯ对用改进的粒子群算法（Ｓ对连接权重（括节点阈ＭｅＯ）包值）进行优化求解．并在此基础上引入了遗传选择机
０引
言
１粒子群算法
粒子群优化算法ｉ１基于群体与适应值的。粒子４是－５
群的一个粒子代表问题的一个可能解，每个粒子具有
位置和速度２个特征．粒子位置坐标对应的目标函数值即可作为该粒子的适应值．算法通过适应值来衡量粒子的优劣
略．高基本粒子群算法的性能．子的更新速度和提粒位置表示为：
制．算法在接近最优解时收敛缓慢甚至出现收敛停滞

基于混合算法优化神经网络的混沌时间序列预测

龙源期刊网基于混合算法优化神经网络的混沌时间序列预测作者：尹新,周野,何怡刚来源：《湖南大学学报·自然科学版》2010年第06期摘要:提出了一种混合算法优化神经网络的混沌时间序列预测模型。

将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型。

该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足。

利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高。

关键词:粒子群优化;模拟退火;神经网络;混沌时间序列;中图分类号:TP183文献标识码:APrediction of chaotic time series based on neural network optimizedby hybrid algorithmYin Xin,Zhou Ye,He Yigang(College of Electrical and Information Engineering, Hunan Univ, Changsha 410082,China)Abstract:The prediction model for time series is introduced in this paper, which use the hybrid algorithm to optimize the neural networks. The main idea is that build the new hybrid algorithm by combining particle swarm optimization with Simulated Annealing that has the idea in sudden jump, and then optimize the neural networks by the hybrid algorithm. Therefore, many shortcomings like convergence too slow of common neural networks, getting into partial optimization easily and getting prediction precocity of simplex particle swarm optimization, is worked out. In addition, in order to prove the validity and the value of the model, taking the Mackey-Glass chaotic time series and the Henon map tests and imitates. The results show that by this model the convergence is fast, the stability is good, and the precision of prediction is high.Keywords: particle swarm optimization; simulated annealing; neural network; chaotic time series;。

混沌粒子群算法在WSN覆盖优化中的应用

ｍｉａｉｎｔｍｐｏｅｃｍｍｕｉａｉｎｅｃｅｃ．ｈｘｅｉｎｒｖｓｔａｈｈｏｉａｉｌｗｒｐｉｚｔｎａｇ－ｚｔｏｉｒｖｏｏｎｃｔｆｉｎｙＴｅｅｐｒｏｉｍｅｔｐｏｅｈｔｔｅｃａｔｐｒｃｅｓａｃｔｍｏｔｍｉｉｌｏａｏ
ＷＡＮＧａｏｇ，ＩＷｅＨｕｄｎＬｉ
（ｃｏｌｆｏｐｔｃｎｅａｄＴｃｎｌｇ，ｈｕｏｏｍｌｎｖｒｔＺｏｋｕ４６０ｈｎ）ＳｈｏｏｍｕｅＳｉｃｎｅｈｏｏｙＺｏｋｕＮｒａＵｉｓｙｈｕｏ６０１ｉａＣ研究ＷＳ覆盖优化方面的问题，Ｎ提高无线传感网络通讯效率。针对无线传感网络节点分布不均
匀或者节点失效时，ＮＷＳ覆盖区域会出现重叠或者指定区域没有被覆盖，造成无线传感网络通讯效率下降的问题，提出了利用一种混沌粒子群算法，根据无线传感网络相关参数和条件建立数学模型，利用优化处理方式对其进行优化，提高了通讯效率。实验证明，利用混沌粒子群算法进行ＷＳ覆盖优化，Ｎ可以提高无线传感网络优化效率，取得了令人满意的效果。
ｒｔｍｆＷＳｃｖｒａｍｐｏｅｔｅｗｉｌｓｅｓｒｎｔｏｋｏｔｚｔｎｅｃｅｃ，ｎａｉａｔｒｅｕｔａｅｂｅｉｈｏＮｏｅ，ｃｎｉｒｖｈｒｅｓｓｎｏｅｗｒｐｉａｉｆｉｎｙａｄｓｔｆｃｏｙｒｓｌｈｖｅｎｅｍｉｏｉｓｓ

混沌序列的模糊神经网络预测

混沌序列的模糊神经网络预测
龚剑扬;司锡才;郜丽鹏;蒯冲
【期刊名称】《弹箭与制导学报》
【年(卷),期】2003(023)004
【摘要】提出了一种针对混沌序列预测的T-S模糊神经网络.这种T-S 模糊神经网络与传统的T-S模糊神经网络相比在不影响预测精度的前提下极大的减少了神经网络的节点数.同时利用基于混沌动态量的BP算法对神经网络进行学习,提高了收敛速度和预测精度.应用此T-S模糊神经网络和相应的BP学习算法,对Mackey-Glass混沌时间序列进行了预测,与传统的的T-S模糊神经网络相比得到了更好的结果,验证了该方法的有效性.
【总页数】4页(P52-54,58)
【作者】龚剑扬;司锡才;郜丽鹏;蒯冲
【作者单位】哈尔滨工程大学,黑龙江,哈尔滨,150001;哈尔滨工程大学,黑龙江,哈尔滨,150001;哈尔滨工程大学,黑龙江,哈尔滨,150001;哈尔滨工程大学,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TN914.4
【相关文献】
1.基于混沌的大坝监测序列小波RBF神经网络预测模型 [J], 戴波;陈波
2.基于差分进化的BP神经网络预测混沌时间序列 [J], 邬月春;王铁君
3.基于混沌时间序列的模糊神经网络预测研究 [J], 权鹏宇;车文刚;余任;周志元
4.混沌序列的T-SK反馈模糊神经网络预测 [J], 龚剑扬;司锡才;刁鸣;刘洪艳
5.基于混沌时间序列的模糊神经网络预测研究 [J], 权鹏宇[1];车文刚[2];余任[1];周志元[1]
因版权原因，仅展示原文概要，查看原文内容请购买。

混沌粒子群原理+csdn

混沌粒子群原理+csdn
混沌粒子群算法（Chaotic Particle Swarm Optimization，CPSO）是一种基于混沌理论和粒子群优化算法的启发式优化算法。

混沌粒子群算法结合了混沌系统的随机性和粒子群算法的协作搜索
机制，能够有效地克服传统粒子群算法的局部收敛问题，提高全局
搜索能力。

在混沌粒子群算法中，混沌系统被引入到粒子群优化的过程中，通过混沌映射生成具有随机性和确定性的序列，用于初始化粒子群
的位置和速度。

这样可以增加粒子群的多样性，有利于跳出局部最
优解，提高全局搜索能力。

同时，混沌系统的非线性特性也有助于
加速收敛过程，提高算法的收敛速度。

CPSO算法的基本原理是模拟鸟群觅食的行为，每个粒子代表一
个潜在的解，粒子根据个体经验和群体协作不断调整自身位置和速度，以寻找最优解。

在混沌粒子群算法中，粒子的位置和速度的更
新公式与传统粒子群算法相似，但是引入了混沌映射生成的随机数，使得粒子在搜索过程中具有更大的多样性和随机性。

CPSO算法在优化问题中具有较好的收敛性和全局搜索能力，尤
其适用于高维、非线性、多峰和多模态的优化问题。

在实际应用中，CPSO算法已经被广泛应用于函数优化、神经网络训练、模式识别、
控制系统等领域，并取得了良好的效果。

关于混沌粒子群算法的更多详细内容，你可以在CSDN等专业技
术平台上查找相关文章和资料，以便深入了解该算法的原理、优缺
点以及应用实例。

希望我的回答能够帮助到你。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。