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。     

SAGACIA全局优化方法及应用

ＳＡＧＡＣＩＡ全局优化方法及应用＠李兵＠蒋慰孙￥华东理工大学自动化研究所模拟退火法，遗传算法，趋化性方法，优化ＳＡＧＡＣＩＡ全局优化方法及应用李兵蒋慰孙（华东理工大学自动化研究所上海２０００２３７）关键词模拟退火法，遗传算法，趋化性方法，优化１）国家自然科...     

如何发挥ORACLE的优化功能

对于一个庞大的数据库，数据的检索优化至关重要，为此，详细讨论了ＯＲＡＣＬＥ数据库中查询语言ＳＱＬ等的优化处理，旨在提高ＯＲＡＣＬＥ数据库的执行效率。     

双混沌机制优化方法及其应用

为了克服混沌优化方法在缩小优化变量的搜索空间前所进行的盲目搜索，提出一种具有双混沌机制的优化方法。该方法同时利用两种不同的混沌机制在搜索空间进行搜索，根据搜索情况来缩小搜索空间。该方法能够改善算法的通用性，避免了针对不同的优化函数选择搜索参数的缺点。仿真结果表明，该方法的搜索效率明显高于普通的混沌优化方法。     

多媒体CAI课件开发中若干问题的研究和实践

基于Ｗｅｂ的多媒体ＣＡＩ课件是多媒体ＣＡＩ课件与Ｗｅｂ技术的结合。它将成为网络教学多媒体ＣＡＩ课件的主要形式。该文结合一个实例,介绍了在基于Ｗｅｂ的多媒体ＣＡＩ课件开发过程中对课件页面进行优化的原则和方法,并详细介绍了课件中导航、查询、测试等关键功能的实现技术和方法。     

CAE方法中的优化技术

本文介绍了ＣＡＥ方法中优化技术的概念、方法及特点，并展示了一个流固耦合的优化计算实例。     

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。     

一种混合优化算法及其收敛性证明

针对改进的混沌优化方法和Alopex算法的特性，将改进的Alopex算法嵌入到改进的混沌优化算法中，提出一种混合优化算法，此算法充分发挥了改进的Alopex算法的快速搜索能力和改进的混沌优化方法细致寻优的特性，提高了算法的收敛速度，避免了优化算法陷入局部最优；同时对改进的混沌优化算法和混合优化算法的收敛性进行了证明，仿真结果表明了算法的有效性。     

基于逐次优化和禁忌搜索算法的混沌优化方法

结合逐次优化、禁忌搜索和变尺度混沌优化方法的优点,提出了基于逐次优化和禁忌搜索算法的混沌优化方法.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,是求解大规模非线性规划问题的一种有效手段.     

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。     

Parallel chaos optimization algorithm with migration and merging operation

Chaos optimization algorithm (COA) utilizes the chaotic maps to generate the pseudo-random sequences mapped as the decision variables for global optimization applications. A kind of parallel chaos optimization algorithm (PCOA) has been proposed in our former studies to improve COA. The salient feature of PCOA lies in its pseudo-parallel mechanism. However, all individuals in the PCOA search independently without utilizing the fitness and diversity information of the population. In view of the limitation of PCOA, a novel PCOA with migration and merging operation (denoted as MMO-PCOA) is proposed in this paper. Specifically, parallel individuals are randomly selected to be conducted migration and merging operation with the so far parallel solutions. Both migration and merging operation exchange information within population and produce new candidate individuals, which are different from those generated by stochastic chaotic sequences. Consequently, a good balance between exploration and exploitation can be achieved in the MMO-PCOA. The impacts of different one-dimensional maps and parallel numbers on the MMO-PCOA are also discussed. Benchmark functions and parameter identification problems are used to test the performance of the MMO-PCOA. Simulation results, compared with other optimization algorithms, show the superiority of the proposed MMO-PCOA algorithm.     

OPTIMIZING COMPLEX FUNCTIONS BY CHAOS SEARCH

During past decades, the role of optimization has steadily increased in many fields. It is a hot problem in research on control theory. In practice, optimization problems become more and more complex. Traditional algorithms cannot solve them satisfactorily. Either they are trapped to local minima or they need much more search time. Chaos often exists in nonlinear systems. It has many good properties such as ergodicity, stochastic properties, and ''regularity.'' A chaotic motion can go nonrepeatedly through every state in a certain domain. By use of these properties of chaos, an effective optimization method is proposed: the chaos optimization algorithm COA . With chaos search, some complex optimization problems are solved very well. The test results illustrate that the efficiency of COA is much higher than that of some stochastic algorithms such as the simulated annealing algorithm SAA and chemotaxis algorithm CA , which are often used to optimize complex problems. The chaos optimization method provides a new and efficient way to optimize kinds of complex problems with continuous variables.     

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。     

变尺度混沌优化神经网络的研究

基于变尺度混沌优化的方法可以利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,并可以变尺度搜索提高局部空间的搜索速度和精度。把该方法应用到神经网络的权值优化中,可以得到很好的效果。     

基于线性搜索的混沌优化及其在非线性约束优化问题中的应用

提出基于线性搜索的混沌优化方法,利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,而线性搜索可以提高局部空间的搜索速度和精度。结合精确不可微罚函数求解非线性约束优化问题。仿真结果表明,该算法简单易行,求解精度、收敛速度和可靠性较高,是解决优化问题一种有效方法。     

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.     

多策略的郊狼优化算法

郊狼优化算法（coyote optimization algorithm,COA）是最近提出的一种群智能优化算法,具有独特的搜索结构和较好的优化性能。为了进一步提高COA的优化性能,提出了一种多策略的郊狼优化算法（multi-strategy COA,MSCOA）。首先,对于组内最优郊狼,采用一种全局最优郊狼引导的成长策略提高其社会适应能力,对于组内最差郊狼,采用一种最优郊狼引导强化策略强化最差郊狼的能力;其次,对于组内其他郊狼采用一种动态调整信息交流的组内成长策略提升组内郊狼之间的信息共享程度,并将这种组内成长策略与一种改进的迁移策略融合,更进一步提升搜索能力;最后采用动态分组策略减少参数手动设置,提高算法的可操作性。以上多种策略的使用更好地平衡了探索与开采,使算法的性能最大化。大量来自CEC2014测试集的复杂函数实验结果表明,与COA相比,MSCOA具有更强搜索能力、更快的运行速度和更高的搜索效率,与其他优秀优化算法相比,具有更明显的优势。     

基于确定性拥挤的多模态郊狼优化算法

为了解决多模态优化问题,对郊狼优化算法进行研究,提出了一种基于确定性拥挤的多模态郊狼优化算法—DCCOA.将小生境技术的确定性拥挤方法引入郊狼优化算法中,定义了新的郊狼进化机制,改进了郊狼群组文化趋势的计算方法.同时,为了更真实地模拟郊狼的种群生活,算法还定义了2只阿尔法郊狼并且采用了权重法更新郊狼的社会状况.最后将DCCOA与其它智能优化算法在多个典型基准函数上进行不同决策变量维数的多次对比实验.实验结果表明,小生境技术的引入进一步促进了算法在探索和勘探之间的平衡,提升了郊狼优化算法在多模态情况下的全局寻优能力,从而比原算法具有更好的收敛精度、更快的收敛速度和更强的稳定性.     

混沌优化算法及其在组合优化问题中的应用

混沌优化方法(COA)是针对数值优化问题提出的，在解决数值优化问题上具有一定的普遍性，能够很快地搜索到全局最优解，而利用COA解决组合优化问题存在一定的难度，该文提出了混沌优化算法解决组合优化问题的方法，该方法先产生组合优化问题的初始解，再利用混沌变量产生新解或对原解进行混沌扰动，产生新解，然后在解空间中进行最优搜索。将该方法应用到2个典型的组合优化问题(TSP问题，0/1背包问题)的求解中，仿真实验表明了该方法的有效性。     

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．