具有适应度选择调整策略的混沌遗传算法及其应用

针对遗传算法在非线性系统优化问题中易陷入局部最优，且大量研究改进后仍存在不足的问题。根据混沌运动的结构特点，提出了一种解决非线性系统优化问题的混沌遗传算法（CGA，Chaos Genetic Algorithm）。该算法将混沌变量引入遗传算法的优化变量中，使两者的取值范围相互映射，利用更新后的混沌变量转换为“染色体”进行遗传操作，同时根据适应度大小选择需要附加混沌扰动的群体，使变异操作具有导向性，经过多次进化，得出问题的最优解。仿真实验利用多种测试函数和相似的智能优化算法进行对比验证。结果表明，该算法保证了非线性系统优化问题动态响应的速度和寻优结果的精度，定量的评价了混沌遗传算法的优化效果。     

优化的变尺度混沌遗传算法

混沌优化算法和遗传算法的结合产生了变尺度混沌遗传算法（MSCGA）。该算法在不改变GA搜索机制的同时,根据搜索进程,不断缩小优化变量的搜索空间及调节系数,引导种群进行新一轮进化,从而产生更优的最优个体,改善了GA的性能。但是通过分析其本质,发现其中存在很大的重复性操作,没有考虑它们之间在优化过程中的某种相似之处。文章中对此算法进行讨论并对其进行优化。计算机仿真表明：优化后的算法具有更好的快速寻优能力。     

一种改进变尺度混沌优化的模糊量子遗传算法

针对量子遗传算法存在的易陷入局部极小等问题,提出一种模糊量子遗传算法。该算法采用一种变尺度混沌优化方法,只需设 2个循环,内循环进行混沌搜索,外循环负责缩小区间,通过改进它的收敛策略,可以避免混沌优化在区间内的盲目重复搜索。利用改进的变尺度混沌优化方法,对量子遗传操作产生的种群进行混沌搜索寻优,同时模糊控制更新,加快种群的进化。仿真结果表明,该方法的寻优效果优于量子遗传算法及遗传算法。     

一种改进的遗传算法在无功优化中的应用

针对电力系统无功优化问题,采用遗传算法（GA）是一种有效的全局优化概率搜索算法。为了降低系统有功损耗,保证无功电力在规定范围之内,将混沌搜索引入到标准遗传算法,提出了一种结合混沌搜索的改进遗传算法。通过混沌序列搜索产生初始种群,同时对交叉、变异、选择算子进行了改进,进一步改善了遗传算法的全局寻优能力,并有效防止了局部收敛,提高了算法的收敛速度和计算精度。对系统进行了无功优化,并进行仿真。仿真结果表明,改进的遗传算法能更精确地寻找到全局最优解,并明显加快了收敛速度,性能优于标准遗传算法。     

一种基于混沌搜索的自适应入侵遗传算法

将生物系统中“入侵”的概念引入遗传算法,提出了一种基于混沌搜索的自适应入侵遗传算法。该算法动态地引入入侵种群,并采用混沌搜索产生入侵个体。入侵种群的扩散使优良基因得以在个体间传播,优化了种群的基因构成,能够促使种群跳出局部最小,并向全局最优的方向进化,从而有效地避免了遗传算法的早熟现象。将该算法用于函数优化及解决模式分类问题的神经网络参数训练,实验结果表明,该算法具有较快的收敛速度和较强的寻优能力。     

一种基于混沌迁移的伪并行遗传算法及其应用

为了解决遗传算法寻优过程中的早熟收敛问题 ,本文提出了一种基于混沌迁移策略的伪并行遗传算法 ,该算法针对实时性要求不高的优化问题采用串行的算法结构实现分解型并行遗传算法的“独立进化、信息交换”思想 .在并行进化的个体异步迁移过程中 ,引入了混沌迁移序列引导个体迁移过程 ,利用其遍历性和随机性 ,保证了子种群之间能够进行充分高效的信息交换 .仿真研究和在库存优化方面的应用研究表明 ,这种算法具有很强的全局搜索能力 ,寻优效率高 ,有效克服了标准遗传算法的早熟收敛问题 .     

混沌时间序列预测模型的应用与研究

混沌时间序列预测模型的参数对预测结果起着关键作用,传统上参数优化单独进行,忽略参数之间的联系,导致预测的精度比较低.为了提高混沌时间序列预测精度,提出一种基于遗传算法的混沌时间序列预测模型参数优化方法.参数优化方法的核心思想是相空间重构和支持向量机参数寻优同时进行,通过遗传算法算法的选择、交叉和变异操作达到参数优化求解问题.以经典混沌时间序列Mackey-Glass为例进行了验证性实验.实验结果表明,相对传统的参数寻优方法和分开优化的方法,方法时间复杂度低、预测精度高,是一种有效性的混沌时间序列预测模型参数优化算法.     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来，提出了混沌遗传算法(CGA，Chaos Genetic Algorithm)，并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作，大大提升了遗传算法的整体性能。实验结果表明，与标准遗传算法(SGA)相比，该算法能更有效地求得全局最优解，具有更快的收敛速度。     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.     

基于混沌遗传算法的二维平面阵研究

针对一般均匀平面阵列方向图旁瓣较高的问题，利用传统遗传算法对均匀阵进行二维稀布排列，有效降低了旁瓣电平，但遗传算法收敛速度慢，容易陷入局部最优解。因混沌优化算法具有随机性、遍历性以及规律性的特性，把混沌优化算法引入到遗传算法中，利用混沌序列初始化种群，可提高遗传算法的收敛速度和获得全局最优解的能力。因此，提出一种基于混沌优化算法的遗传算法，并把该算法应用到二维平面阵天线设计中，该算法对天线阵的排布进行了优化设计。仿真结果显示混沌遗传算法的收敛速度有所提高，阵列天线的副瓣电平进一步降低，说明该方法具有一定的可行性。     

基于差分演化策略的混沌乌鸦算法求解折扣{0-1}背包问题

针对确定性算法难于求解的各项的重量系数和价值系数在大范围内取值的折扣{0-1}背包问题（D{0-1}KP）,提出了基于差分演化策略的混沌乌鸦算法（DECCSA）。首先,采用混沌映射生成初始乌鸦种群;然后,采用混合编码方式和贪心修复与优化策略（GROS）解决了D{0-1}KP的编码问题;最后,引入差分演化策略提高算法的收敛速度。对4类大规模D{0-1}KP实例的计算结果表明：DECCSA比遗传算法、细菌觅食算法和变异蝙蝠算法求得的最好值和平均值更优,能得到最优解或更好的近似解,非常适于求解D{0-1}KP。     

基于元胞自动机遗传算法的云资源调度

针对传统遗传算法易陷入早熟收敛等问题,提出一种改进的元胞自动机遗传算法(CGA),并将其应用于云环境下的资源调度。分析云计算环境中处理用户群请求的庞大任务数及资源合理分配的问题,利用CGA算法寻求一组最优的资源调度方案。在CloudSim仿真平台上进行实验,结果表明,CGA算法能缩短任务完成时间,降低用户总成本,满足云环境下的资源调度要求。     

基于量子遗传算法的非线性无约束优化方法

量子遗传算法(QGA)是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子旋转门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性。非线性无约束优化是典型的工程应用问题,而复杂非线性函数的优化结果往往不能令人满意,如陷入局部最优等。利用量子遗传算法强大的搜索能力,可以很好的解决复杂非线性函数的无约束优化问题,实验表明量子遗传算法在该类问题中的有效性和可行性。     

混沌思维进化算法在八木天线优化设计的应用

混沌思维进化算法将混沌搜索和思维进化算法相结合,有效地解决了思维进化算法中初始种群产生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。该算法与标准思维进化算法相比,能有效地避免局部收敛,具有更快的收敛速度。把混沌思维进化算法应用到八木天线的优化设计中。通过在HFSS和MATLAB中的建模和优化设计,得出具有优良性能的天线结构,也验证了混沌思维进化算法在天线工程领域具有较高的应用价值。     

面向端元提取的粒子群优化遗传算法

现有的粒子群优化(PSO)算法和遗传算法(GA)无法很好地解决高光谱影像端元提取这类离散解空间内的大规模取样优化问题。针对该问题,借鉴凸面几何学理论,利用局部模式粒子群优化的原理改进遗传算法,提出一种面向高光谱影像端元提取的粒子群优化遗传算法(PSOGA)。利用模拟数据和PHI影像对PSOGA算法和GA算法进行实验对比。分析结果证明,PSOGA算法的收敛速度优于GA算法。     

基于鸡群优化算法的SAR图像快速分割

为提高SAR图像分割的速度和质量,利用鸡群优化算法,提出了一种SAR图像快速分割方法。该方法使用二维灰色Otsu模型作为鸡群优化算法的适应度函数,利用鸡群中公鸡、母鸡和小鸡的角色分工、协同工作快速逼近最佳阈值。实验结果表明,该方法在收敛速度和分割效果两方面均优于基于遗传算法、人工鱼群算法等群体智能优化算法的分割方法。     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

一种改进型量子遗传算法

针对量子遗传算法在复杂连续函数优化中存在的收敛速度慢、易陷入局部极值等缺点,提出一种改进型量子遗传算法。采用动态策略调整量子门旋转角,以加快收敛速度,采用优体交叉策略实施交叉操作,以增强局部搜索能力。通过典型复杂连续函数的测试验证该算法的可行性和有效性。     

基于变异的紧凑遗传算法

紧凑遗传算法(CGA)具有存储成本低的优点,但是其容易出现早熟。该文提出一种基于变异的紧凑遗传算法(MBCGA)。MBCGA在CGA的基础上,引进变异算子,完整地体现生态进化中的选择、遗传和变异,提高了局部寻优以及算法克服早熟的能力。试验结果表明,MBCGA保留存储成本低的优点,具有较快的收敛速度。变异算子的局部寻优作用明显。