混沌免疫优化组合算法

利用混沌迭代的遍历性和内在随机性。提出一种混沌免疫优化组合算法．该算法综合了免疫进化算法和混沌优化算法各自的空间搜索优势，将混沌变量加载于免疫算法的变量群体．利用混沌搜索的特点对记忆库群体进行微小扰动，并逐步调整扰动幅度．实验结果表明，该算法能明显改善免疫进化算法的收敛性能，搜索效率也得到了显著提高．     

改进的混沌遗传算法

将遗传算法与混沌算法相结合,提出了一种新颖的基于猫映射的混沌遗传算法（CGA）,解释了猫映射的遍历性,分析了猫映射的混沌分布优越性。该算法利用猫映射的初值敏感性扩大搜索范围,利用猫映射的遍历性进行混沌变量的优化搜索,从而减少了数据冗余,保持了种群多样性,有效地解决了局部收敛问题。理论分析和数值仿真表明,该算法具有更好的收敛性能。     

基于混沌理论的差异演化算法研究

差异演化算法（Differential Evolution，DE）足一种基于群体个体间差异的进化计算方法，可以对高维复杂空间进行有效搜索。利用混沌（Chaos）信号的遍历性与随机性，结合DE算法，提出了一种基于混沌的DE优化算法（CDE）。与DE相比，CDE减少了控制参数。通过典型高维非线性测试函数的验证，测试结果显示该方法在优化速度、搜索效率和避免陷入局部极值点方面，大大提高DE算法的性能，在不同情兜下几乎具有最佳的函数优化性能，从而具有一定的鲁棒性。     

新的基于混沌搜索的组优化算法

为提高组搜索优化(GSO)算法的性能,结合混沌方法的全局搜索特性,提出一种新的基于混沌搜索的组搜索优化（CGSO）算法。此方法中,生产者利用混沌搜索方法不断寻找较好的位置;占领者结合当前生产者的位置和自己运动到目前为止的最好位置对自己当前的位置进行更新;徘徊者采用混沌变异方法探索新的位置。该算法运用Logistic映射的初值敏感性扩大搜索范围,利用其全局遍历性进行位置搜索,有效地提高了算法的全局收敛性。采用CGSO、GSO算法对四个典型的函数优化问题进行了仿真实验,仿真结果验证了方法的有效性。     

基于混沌搜索的模糊控制器参数最优设计

基于混沌变量，本文提出一种模糊控制器最优设计方案．离线优化采用混沌算法，将混沌因子引入到模糊控制器参数域的优化搜索中，用载波方式将优化变量转变成混沌变量，再利用混沌运动的遍历性和随机性直接寻优，得到模糊控制器参数的全局次优解．在线优化采用共轭梯度下降法，把混沌搜索后得到的全局次优值作为梯度下降搜索的初始值，实现混沌全局粗搜索和梯度下降局部细搜索相结合的优化目的，能很快找到模糊控制器参数的全局最优解．最后对算法的收敛性进行了证明．     

一类用于函数优化的基于混沌搜索的免疫算法

将混沌优化算法与克隆选择算法相结合,提出了一类基于混沌搜索的免疫算法．首先利用解空间变换将优化变量表示为混沌变量,并将混沌变量编码为抗体．然后,利用混沌变量的遍历性和随机性特点,通过在高亲和力抗体的邻域内进行混沌搜索以实现局部寻优,通过在整个解空间内的混沌搜索来避免陷入局部最优解．数值仿真结果表明该算法具不易陷入局部最优、解的精度高和操作简单等优点．     

一种嵌入局部混沌搜索的混合微粒群优化算法

该文研究了基于种群演化的微粒群优化算法，针对此算法在迭代的过程中陷入局部极小点而产生群体演化停滞的现象，提出了一种嵌入局部混沌搜索的混合微粒群优化算法。此混合方法利用混沌迭代的遍历性来增强算法的局部精确搜索能力从而达到全局搜索性能和局部搜索性能的平衡，使群体快速脱离停滞状态。实验结果表明，相比于其他演化搜索算法如标准微粒群算法，标准遗传算法和改进微粒群算法，嵌入局部混沌搜索的混合微粒群算法在收敛性和鲁棒性方面得到了较大的改善，很大程度上避免了演化停滞现象的发生，是一种高效的搜索方法。     

量子遗传算法的变尺度混沌优化策略研究*

针对量子遗传算法（QGA）易陷入局部极值、具有早熟收敛等问题,分析了QGA的流程,从全局搜索和局部搜索两个层面探讨了QGA的改进策略,提出了一种新的算法。该算法利用混沌运动的遍历性和随机性进行全局搜索,同时利用梯度信息对QGA的量子更新过程环节进行优化。典型函数测试分析表明,该方法的综合性能明显优于量子遗传算法及遗传算法。     

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，研究一种基于竞争一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．     

基于混沌思维的模糊控制算法优化研究

利用混沌（ｃｈａｏｓ）所特有的外在的随机性、遍历性及内在的规律性,将其应用于一类复杂非线性时变过程的模糊控制规则优化中,提出了一种基于混沌思维的算法来优化模糊规则参数。通过仿真实例,表明了该算法有较强的全局搜索能力和较快的搜索速度,是一种适用的优化策略。     

一种新型Skew Tent映射的混沌混合优化算法

针对已有的混沌优化算法几乎都是利用Logistic映射作为混沌序列发生器,而该混沌序列的概率密度函数呈两头多、中间少的切比雪夫型的分布性质,不利于搜索的效率和能力,为此,首先构造一种新型混沌映射序列发生器—Skew Tent映射并结合迭代优化特点加以改进,然后分析了它的混沌特性．其次,将改进的混沌映射与Alopex启发算法相结合,充分发挥Alopex算法的快速搜索能力和混沌优化全局寻优的特性,提出一种混沌混合优化算法,提高了算法的收敛速度和有效搜索全局最优解．最后,仿真算例验证了该算法的有效性和Skew Tent混沌映射的应用前景．     

前馈神经网络的混沌BP 混合学习算法

简要分析由Logistic映射产生的混沌数以及不同混沌序列之间的概率统计特性，为混沌全局性搜索提供了依据．将一种快速BP算法与混沌优化相结合，提出了混沌BP混合算法，由于混沌Logistic映射的遍历性、随机性，使得混合算法收敛速度快，且具有全局性，采用混合算法对XOR问题和非线性函数进行仿真，结果表明该算法明显优于标准BP算法和快速BP算法。     

基于混沌优化的最优运输路径问题研究

在分析Logistic混沌序列遍历性的基础上,将Logistic混沌序列映射到多极点目标函数的搜索区间来搜索全局最优解。研究混沌优化算法的一般步骤和算例分析,并将混沌优化算法应用于运输路径的最优化选择问题中。研究结果表明了混沌优化算法具有较好的全局搜索最优解能力,同时也验证了其在最优运输路径选择上的可行性和有效性。     

基于Hénon映射的自适应克隆选择优化算法

免疫算法与遗传算法都存在的不成熟收敛问题。混沌优化方法是近年出现一种新的优化技术,通常使用Logistic或Tent映射产生混沌序列进行搜索,Logistic映射产生的混沌序列的概率密度函数切比雪夫型分布,当最优值落在[0,1]的中间位置时,这种分布特性会影响全局搜索能力和效率。而Tent映射也存在迭代易落入小周期循环的问题。针对免疫算法和混沌优化算法中存在的缺陷,该文用变尺度的搜索策略,提出了一种基于Hénon映射的自适应克隆选择的优化算法,数值仿真结果表明,该文提出的算法提高了局部搜索的能力及其计算效率,算法可行有效。     

蚁群混沌混合优化算法

为了克服混沌搜索的盲目性,提出了一种蚁群算法和混沌优化算法相结合的混合优化算法,该算法利用蚁群算法中信息素正反馈的思想指导当前混沌搜索的区域。工作蚁群按照信息素的浓度高低,分别按照不同的概率搜索不同的搜索区域,从而可减少混沌盲目搜索的次数。仿真结果表明,该方法能够明显提高混沌优化算法的寻优效率,同时算法的通用性将有所提高。另外,对于含有多个全局最优解的函数,在一次寻优过程中,该算法可以找到全部最优解,这是通常混沌搜索算法所不具备的。     

基于幂函数载波的混沌退火搜素算法

提出了一种用于求解组合优化问题的混沌优化策略.在寻优过程中,利用混沌搜索的方法确定解矩阵的变化位置,使得解矩阵在合法解空间内不断遍历寻优.为提高混沌搜索的充分性和遍历性,混沌载波采用幂函数载波的方式,并结合模拟退火的思想来确保算法具有跳出局部极小到达全局最优的遍历寻优能力.该算法可用于多种实际工程问题的求解中.仿真结果验证了该算法的有效性.     

基于混沌搜索的思维进化算法

针对思维进化算法中的产生初始种群的盲目随机性和冗余性以及现有搜索方式易陷入局部最优的问题,将混沌优化和思维进化算法结合,提出了一种基于混沌搜索的思维进化算法（Chaos Mind Evaluation Algorithm,CMEA）。该算法在进化的不同阶段引入混沌优化操作,利用混沌的遍历性提高算法的收敛速度,克服了早熟现象,同时利用思维进化算法的记忆特性和当代最优解指导混沌搜索,提高算法的搜索能力。仿真结果表明,与标准思维进化相比,该算法优化能力强,能有效地避免局部收敛,具有更快的收敛速度。     

基于迁出地动态选择与自适应迁入策略的BBO算法

Dan Simon用生物地理学的方法和机制来解决工程优化问题,提出了生物地理学优化算法(Biogeography-Based Optimization,BBO)。该算法因其独特的搜索机制和较好的性能在智能优化算法领域得到了广泛的关注。为了进一步提高生物地理学优化算法的全局和局部收索能力,提出了一种基于动态选择迁出地与混合自适应迁入的优化策略,对生物地理学优化算法进行改进,形成一种新的改进型BBO算法。该算法根据进化阶段动态选择待迁出地,并综合当前迁出地和随机迁出地优化迁入策略;同时,设计与适应度相关的变异机制,以增加算法的全局搜索能力。仿真实验结果表明,该算法在全局搜索、收敛速度和收敛精度上均优于对比算法。     

面向多模态函数优化的混沌免疫网络算法研究

针对人工免疫网络解决多模态函数优化时可能出现的早熟收敛现象和搜索精度不甚满意的问题，提出改进的混沌免疫网络算法。改进算法终止条件及采取相应措施以避免早熟，利用混沌变量来模拟免疫细胞的增殖方式以提高算法的搜索精度。通过对一些典型测试函数进行仿真实验，结果表明该算法能够快速优化抗体，搜索能力强，搜索精度高，是一种效果优良的解决多模态函数优化问题的极值寻优方法