基于Ten t 映射的混沌优化算法

针对目前混沌优化算法寻优速度慢的问题,论证了Tent映射的优越性,并结合模式搜索法,构造了一种搜索速度较快的混合优化算法．该算法能够搜索全局最优解,并具有较快的搜索速度．通过算例验证了该方法的可行性和Tent映射的应用前景。     

求解高维优化问题的扰动混沌蚁群优化算法

针对新型混沌蚁群优化算法(CAS)求解高维优化问题时存在的计算复杂和搜索精度低问题,提出了扰动混沌蚂蚁群(DCAS)算法。通过建立蚂蚁最佳位置更新贪婪规则和随机邻居选择方法有效地降低了计算复杂度;另外引入自适应扰动策略改进CAS算法,使蚂蚁增强局部搜索能力,提高了原算法的搜索精度。通过一组高维测试函数对DCAS算法的性能进行了高达1000维的仿真实验。测试结果表明,新算法对复杂的高维优化问题可行有效。     

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.     

具有混沌局部搜索策略的差分进化全局优化算法

提出了一种具有混沌局部搜索策略的差分进化全局优化算法（CLSDE）,它是在每一代中通过DE/best/1/bin形式的差分进化算法找到最佳个体,然后在最佳个体的附近用混沌的方法进行局部搜索。8个基本的测试函数优化结果表明：若误差函数精度为10^-10,CLSDE寻优成功率比DE和SACDE都要高,而且收敛速度比DE和SACDE都要快。     

基于混沌搜索的自适应差分进化算法

提出一种基于混沌搜索的自适应差分进化算法（CADE）,该算法在计算过程中自适应地调整交叉率,在搜索初期保持种群多样性的同时增强算法的全局收敛性。具有较强局部遍历搜索性能的混沌搜索的引入使得算法具有较好的求解精度,增加搜索到全局最优解的概率。对几种典型的测试函数对CADE进行了测试,实验结果表明,该算法能有效地避免早熟收敛,具有良好的全局收敛性。     

基于局部并行搜索的分布式约束优化算法框架

针对当前局部搜索算法在求解大规模、高密度的分布式约束优化问题（DCOP）时,求解困难且难以跳出局部最优取得进一步优化等问题,提出一种基于局部并行搜索的分布式约束优化算法框架（LPOS）,算法中agent通过自身的取值并行地搜索局部所有邻居取值来进一步扩大对解空间的搜索,从而避免算法过早陷入局部最优。为了保证算法的收敛性与稳定性,设计了一种自适应平衡因子K来平衡算法对解的开发和继承能力,并在理论层面证明了并行搜索优化算法可以扩大对解空间的搜索,自适应平衡因子K可以实现平衡目的。综合实验结果表明,基于该算法框架的算法在求解低密度和高密度DCOP时性能都优于目前最新的算法。特别是在求解高密度DCOP中有显著的提升。     

带交尾行为的混沌人工萤火虫优化算法

针对基本萤火虫优化(GSO)算法在求解全局优化问题存在易陷入局部极小值、收敛速度慢和求解精度不高等缺陷,首先对基本萤火虫优化算法采用混沌搜索技术进行初始化,使算法获得质量较高且分布较均匀的初始解,在此基础上再引入交尾行为,提出了一种带交尾行为的混沌萤火虫优化算法(MCGSO)。该算法在一定程度上防止了基本GSO算法易陷入局部最优,且能够获得精度更高的解甚至可达到理论最优解。最后,通过对8个标准测试函数进行测试,测试结果表明,带交尾行为的混沌萤火虫优化算法比基本萤火虫优化算法有更高的收敛速度和求解精度。     

基于遗传交叉和多混沌策略改进的粒子群优化算法

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：与其它三种算法相比,提出的算法在解决8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。     

改进的混沌优化方法及其应用

提出一种改进的混沌优化方法，该方法利用混沌变量对当前点进行扰动，并且通过时变参数逐渐减小搜索进程中的扰动幅度，同时以一定方式确定了时变参数的初值。用改进后的方法对连续对象的全局优化问题进行优化，仿真结果表明，该方法可以显著提高收敛速度和精确性。     

3种遍历粗搜索方法对比

将目前常用的粗搜索方法随机搜索和混沌搜索同传统的等间隔搜索进行比较。分析了3种方法的计算开销水平并通过等步数实验进行验证。分析了相同步数下等间隔搜索的实验最佳值更优秀的原因,并以定理的形式给出。等时实验的结果进一步突出了等间隔算法的优越性。结论是等间隔搜索是更佳的遍历粗搜索方法。     

基于混沌优化的二自由度PID控制仿真研究

混沌是存在于非线性系统中的一种较为普遍的现象,混沌优化方法是一种新兴的优化方法,利用混沌所特有的随机性、遍历性和规律性的特点实现全局优化搜索,避免了陷入局部极小。二自由度PID控制器它可以独立的整定两组PID参数,使目标值跟踪特性和干扰抑制特性两者同时达到最佳,将混沌优化应用于二自由度PID控制器参数的优化设计,对六个参数进行同时优化,对主蒸汽压力系统的仿真结果表明了二自由度PID控制器的优越性,以及混沌优化方法的有效性和实用性。     

基于改进搜索策略和混沌机制的人工蜂群算法

人工蜂群算法具有较强的探索能力;但是开采能力差、搜索精度低、后期收敛速度慢。针对以上问题;本文提出一种基于混沌机制的人工蜂群算法;在搜索方程中引入历史平均最优解;避免探索和开采能力的失衡;迭代后期;若种群陷入局部极值;采用混沌序列对种群进行变异;以增强算法的开采能力和求解的质量;保持种群的多样性。经过函数测试结果表明;改进后的算法在求解速度和精度上均优于基本ABC算法和其他改进算法。     

并行混沌粒子群优化研究及应用

粒子群优化算法（PSO）是进化计算领域中的一个新的分支,其源于鸟群和鱼群群体运动行为的研究.针对粒子群优化容易陷入局部极值点的问题,该文提出并行混沌粒子群算法,该算法保持了群体多样性从而避免了早熟,经过计算机仿真实验这是一种高效的优化算法.针对转炉提钒过程是一个多元非线性反应过程而难以建立终点控制模型的问题,提出了并行混沌粒子群RBF算法的方法建模.克服了RBF中心个数选择的随机性.试验表明,用该算法预测冷却剂加入量误差较小,具有工程实用性.     

Weighted Superposition Attraction (WSA): A swarm intelligence algorithm for optimization problems – Part 1: Unconstrained optimization

This paper is the first one of the two papers entitled “Weighted Superposition Attraction (WSA)”, which is based on two basic mechanisms, “superposition” and “attracted movement of agents”, that are observable in many systems. Dividing this paper into two parts raised as a necessity because of their individually comprehensive contents. If we wanted to write these papers as a single paper we had to write more compact as distinct from its current versions because of the space requirements. So, writing them as a single paper would not be as effective as we desired.In many natural phenomena it is possible to compute superposition or weighted superposition of active fields like light sources, electric fields, sound sources, heat sources, etc.; the same may also be possible for social systems as well. An agent (particle, human, electron, etc.) may be supposed to move towards superposition if it is attractive to it. As systems status changes the superposition also changes; so it needs to be recomputed. This is the main idea behind the WSA algorithm, which mainly attempts to realize this superposition principle in combination with the attracted movement of agents as a search procedure for solving optimization problems in an effective manner. In this current part, the performance of the proposed WSA algorithm is tested on the well-known unconstrained continuous optimization functions, through a set of computational study. The comparison with some other search algorithms is performed in terms of solution quality and computational time. The experimental results clearly indicate the effectiveness of the WSA algorithm.     

混沌梯度耦合优化算法及仿真研究

提出一种基于自适应混沌梯度下降的单目标耦合优化算法 .它采用变步长梯度下降法得到某个局部优化值 ,通过规则来判断其为局部极小值 ,然后利用一个由小到大变化的自适应尺度混沌遍历算法来获得一个更优值来代替局部极小值以跳出局部极小状态 ,全局优化值可以通过这种反复迭代来获得 .仿真结果表明 ,该算法能充分发挥梯度法寻优的快速性和混沌法寻优的全局搜索能力 ,有效地跳出局部极小 ,并快速找到最优值     

混沌梯度组合优化算法

提出一种混沌梯度组合全局优化算法,并对该算法进行了收敛性分析．算法首先采用改进的变步长梯度法得到某个优化值,然后利用变尺度混沌搜索跳出局部极小,经过反复组合迭代,直至到达最优解．仿真结果表明,该算法能充分发挥梯度法寻优的快速性和混沌法寻优的全局搜索能力．