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。     

基于改进混沌粒子群优化算法的聚丙烯生产调优

通过算法混合提出了一种改进混沌粒子群优化算法。将混沌搜索融入到粒子群优化算法中,建立了早熟收敛判断和处理机制,显著提高了优化算法的局部搜索效率和全局搜索性能。将改进混沌粒子群优化算法应用于聚丙烯生产调优中,首先建立了聚丙烯最优牌号切换模型,然后采用改进混沌粒子群优化算法求解该最优牌号切换模型。优化结果:表明,与常规混沌粒子群优化算法相比,改进混沌粒子群优化算法具有更佳的优化效率和全局性能。     

基于信息熵和混沌理论的遗传—蚁群协同优化算法

为了融合遗传算法和蚁群算法在解决组合优化问题方面的优势,提出一种基于信息熵和混沌理论的遗传.蚁群协同优化算法.利用信息熵产生初始群体,增加初始群体的多样性,并将混沌优化的遍历特性引入融合的遗传.蚁群算法,改进相关参数,实现参数的自适应控制以及遗传算法与蚁群算法混合优化策略的有机集成.通过仿真实例表明了混合智能算法在解决...     

混合混沌优化方法及其在非线性规划问题中的应用

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点，提出了一种混合混沌优化方法。该方法具有逐次优化算法的隐性并行性和收敛性，禁忌搜索的智能性和变尺度混沌优化方法的快速性。仿真计算表明，该方法具有实现简单，优化效率高，鲁棒性强等特点。     

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。     

车辆路径问题的改进混合粒子群算法研究

针对各种启发式算法在求车辆路径问题(VRP)中的缺陷,提出了改进的混合粒子群算法(MHPSO)的求解方法.分析了基于速度-位置更新策略传统粒子群算法在解决离散的和组合优化问题的不足.考虑到算法在求解过程中种群多样性的损失过快,引进了种群的多样性测度参数-平均粒距,以保持种群的多样性.同时利用混沌运功的随机性、遍历性和规律性等特性,采用混沌初始化粒子编码.详细讨论了该算法在车辆路径问题中的求解策略.针对同一个实例,将改进的混合粒子群算法与遗传算法从多个角度进行比较.仿真结果表明,论文所提出的算法性能较好,可以快速、有效求得车辆路径问题的优化解或近似优化解.     

一种自适应变步长的Alopex算法

Alopex算法是一种启发式与随机优化相结合的算法.本文在改进的Alopex算法的基础上,提出了一种具有自适应能力的变步长的Alopex算法,使其能够更好的跳出局部最优解和逼近全局最优解;并且为了进一步提高改进的Alopex算法的逼近精度以及消除该算法在后期可能出现的振荡现象,提出了一种合理的改变δ_(in)的方法.仿真试验表明,这种改进是可行的,而且是有效的.     

混沌粒子群优化算法

粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌寻优思想引入到粒子群优化算法中，这种方法利用混沌运动的随机性、遍历性和规律性等特性首先对当前杠子群体中的最优粒子进行混沌寻优，然后把混沌手优的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快，从而改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群优化算法。     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

混合粒子群算法及在可靠性优化中的应用

针对粒子群算法搜索精度低和早熟收敛的缺陷,通过算法混合,提出了基于混沌与和声搜索算法思想的混合粒子群优化算法。该算法采用Tent映射,利用混沌特性提高种群的多样性和粒子搜索的遍历性,同时采用和声策略对解空间进行开发,引入了柯西变异,帮助粒子跳出局部陷阱,采用云模型的自适应策略来调整惯性权重。最后将该优化算法应用于可靠性优化设计中,仿真实验表明,改进后的混合粒子群优化算法较基本粒子群算法收敛速度加快,且不易陷入局部极值点。     

Hybrid parallel chaos optimization algorithm with harmony search algorithm

The application of chaotic sequences can be an interesting alternative to provide search diversity in an optimization procedure, named chaos optimization algorithm (COA). Since the chaotic motion is pseudo-randomness and chaotic sequences are sensitive to the initial conditions, the search ability of COA is usually effected by the starting values. Considering this weakness, parallel chaos optimization algorithm (PCOA) is studied in this paper. To obtain optimum solution accurately, harmony search algorithm (HSA) is integrated with PCOA to form a novel hybrid algorithm. Different chaotic maps are compared and the impacts of parallel parameter on the hybrid algorithm are discussed. Several simulation results are used to show the effective performance of the proposed hybrid algorithm.     

基于Tent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。     

一种改进的混沌优化算法

为了克服遗传算法的早熟现象以及混沌优化的搜索时间过长的缺点,将遗传算法、混沌优化和变尺度方法相结合,提出了一种改进的混沌优化算法.该算法利用混沌的随机性、遍历性和规律性来避免陷入局部极小值,从而也克服了遗传算法中的早熟现象,同时引入了变尺度方法提高该算法的搜索速度.本文还给出了算法的收敛性分析.对典型测试函数的仿真结果表明此算法优于变尺度混沌优化和遗传算法.     

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．     

基于混沌梯度的BP网络设计及应用

该文针对BP神经网络易限入局部极小的问题,提出了混沌梯度优化的神经网络的学习算法,其原理是:用规则来判断由于梯度搜索过程中产生的局部极小,并利用具有全局寻优的特点的混沌搜索,使学习过程能有效地逃离局部极小。即采用梯度下降进行“粗搜索”,混沌搜索进行“细搜索”,并建立规则将两者结合起来,就构成了BP神经网络的基于规则的混沌梯度耦合学习算法。它有效地利用了梯度下降算法的快速性和混沌寻优的全局性,并已应用于工程实际,取得了良好的效果。     

Hybrid bare-bones PSO for dynamic economic dispatch with valve-point effects

This paper presents an efficient hybrid particle swarm optimization algorithm to solve dynamic economic dispatch problems with valve-point effects, by integrating an improved bare-bones particle swarm optimization (BBPSO) with a local searcher called directionally chaotic search (DCS). The improved BBPSO is designed as a basic level search, which can give a good direction to optimal regions, while DCS is used as a fine-tuning operator to locate optimal solution. And an adaptive disturbance factor and a new genetic operator are also incorporated into the improved BBPSO to enhance its search capability. Moreover, a heuristic handing mechanism for constraints is introduced to modify infeasible particles. Finally, the proposed algorithm is applied to the 5-, 10-, 30-unit-test power systems and several numerical functions, and a comparative study is carried out with other existing methods. Results clarify the significance of the proposed algorithm and verify its performance.