基于遗传交叉和多混沌策略改进的粒子群优化算法

发布时间：2017-09-21 14:27

  本文关键词：基于遗传交叉和多混沌策略改进的粒子群优化算法

  更多相关文章： 粒子群优化算法 遗传交叉 混沌惯性权重 多维和单维混沌局部搜索 混沌全局搜索

【摘要】：为有效改进基本PSO算法的搜索能力,提出了一种基于遗传交叉和多混沌方式改进的粒子群算法。该算法为获得比当前群体更优的最优解,采用了以下四种措施:其一,对当前群体中的最优解和每个粒子最优解进行遗传交叉操作;其二,用混沌系统动态地调整PSO算法的惯性权重;其三,对整个解空间进行混沌全局搜索;最后,对当前群体中最优解进行多维和单维的混沌局部搜索。仿真实验结果表明:与其他三种算法相比,提出的算法在解决八个整数和混合整数非线性规划问题时不仅收敛速度最快,而且具有100%的成功率。
【作者单位】： 湖南城市学院通信与电子工程学院;中南大学信息科学与工程学院;
【关键词】： 粒子群优化算法 遗传交叉 混沌惯性权重 多维和单维混沌局部搜索 混沌全局搜索
【基金】：国家自然科学基金资助项目(61471164) 湖南省科技计划资助项目(2014FJ3112) 湖南省教育厅优秀青年资助项目(14B033)
【分类号】：TP18
【正文快照】： 0引言粒子群优化(PSO)算法是由Kennedy和Eberhart提出的一种迭代搜索算法。由于PSO算法具有可调参数少、求解速度快、所求解的目标函数无须可微或可导等优点,所以它广泛用于求解各类优化问题。然而,当目标函数中存在大量的局部极值,或者在一个离散和连续的空间内具有多个自变，

本文编号：895082