基于混沌理论的免疫量子进化算法

提出了基于混沌理论的免疫量子进化算法,该算法应用混沌理论并依据小生境机制将初始个体划分为实数编码染色体的子群,各子群应用免疫特性的局域搜索能力找出优化解。混沌优化搜索机制能有效避免早熟收敛。为解决2进制算法所不能避免的精度与效率的冲突,采用10进制编码染色体。算法综合了量子计算的天然并行性、免疫算法的充分自适应性和混沌系统的遍历性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度,更有效的全局和局域寻优能力。仿真实验也表明了该算法的优越性。     

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．     

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。     

基于混沌搜索的微分进化算法

针对基本微分进化算法在后期收敛速度慢,搜索能力差等问题,利用混沌搜索的随机性、遍历性以及对初值的敏感性等特性,提出了一种混合混沌搜索的微分进化算法——混沌微分进化算法。该算法既保持了基本微分进化算法结构简单的特点,又能提高算法的收敛速度、计算精度以及全局寻优能力。数值仿真结果表明,该算法的性能优于基本微分进化算法。     

采用混沌变异的进化算法

根据混沌理论关于进化与混沌的关系,设计一种采用混沌变异算子的进化算法,并提出“尺度收缩”的变异策略。对极小值函数优化问题的仿真实例表明,混沌变异是实数编码进化算法变异算子的有效实现;而采用“尺度收缩”策略的混沌变异算子明显改善了群体平均适应值,提高了算法性能,是解决优化问题的有效方法。     

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。     

基于改进免疫算法的数据聚类策略研究

针对传统聚类算法聚类质量不够理想、自适应性不强和易陷入局部极小值等缺陷,提出一种基于改进免疫算法的数据聚类算法,该算法通过引入生物免疫系统中的精英保留策略和期望繁殖率,使适应度高的个体得到保留,浓度高的个体得到抑制,提高了算法的自适应性和精度,在后期通过利用混沌优化方法,使算法的局部搜索能力得到增强。实验结果表明,该算法比传统的聚类算法具有更好的性能。     

混沌免疫进化算法及其在函数优化中的应用

基于免疫系统的克隆选择机理,并利用混沌序列的遍历性,提出一种混沌免疫进化算法.算法首先将混沌序列引入算法初始群体的产生和抗体的扩展过程.其次将待扩展群体中的个体亲和度进行变换以调节个体的选择概率.最后利用概率分析方法,给出算法的全局收敛性证明.为了验证算法的有效性,将算法应用于函数优化问题.用不同的测试函数进行仿真实验.仿真结果表明该算法具有不易陷入局部最优、解的精度高、收敛速度快等优点.     

基于混沌量子进化算法的单交叉口信号控制

城市道路各交叉口交通信号的配时优化和协同控制直接影响整个城市的交通状况.本文以单交叉口模型的交通信号控制问题为背景,构造了以单交叉口滞留的车辆数最少为目标的优化模型.用混沌量子进化算法进行仿真数据求解,得到实时控制的配时方案,并与其它算法的仿真结果进行比较,结果表明该算法对单交叉口的信号配时优化是非常有效的.     

基于混沌和差分进化的混合粒子群优化算法

研究粒子群算法优化问题,由于标准粒子群优化算法(PSO)在高维复杂函数优化中易早收敛,影响全系统优化。为改进的混合粒子群优化算法,提出了一种基于混沌和差分进化的混合粒子群优化算法(CDEHPSO)。把基于Logistic映射的混沌序列引入到种群初始化操作中。在算法进化过程中,通过一种粒子早熟判断机制,在基本粒子群优化算法中引入了差分变异、交叉和选择操作,对早熟粒子个体进行差分进化操作,从而维持了种群的多样性并有效避免了算法陷入局部最优。仿真结果表明,相比于粒子群优化算法和差分进化算法(DE),CDEHPSO算法具有收敛速度快、搜索能力强的优点。     

基于C-均值和免疫遗传算法的聚类分析

聚类问题在一定条件下可以归结为一个带约束的优化问题。遗传算法作为一种鲁棒性很强的优化算法,具有很强的全局寻优能力。提出了一种基于C-均值和带免疫机制的混合遗传算法。理论分析和仿真实验表明,该算法既具有很强的全局寻优能力,也具有较强的局部寻优能力。     

不同映射的混沌免疫进化算法性能分析

针对目前混沌免疫进化算法采用的混沌映射类型单一,并存在对混沌映射影响算法性能大小和机制缺乏深入研究等问题,分析和探讨基于不同混沌映射混沌免疫进化算法的性能。对几个典型测试函数的比较结果表明,Logistic-CIEA和Cubic-CIEA的性能易出现大波动,Kent-CIEA则具有相对稳定的收敛速度,表现出较强的鲁棒性。由此证明,混沌映射作为产生局部搜索轨迹的迭代函数,其混沌特性对算法性能影响较大。     

基于小生境技术和聚类分析的人工免疫算法

针对标准人工免疫算法存在的早熟收敛和后期收敛速度慢的问题,本文提出了一种基于小生境技术和聚类分析的改进的人工免疫算法。首先运用嵌入进化标记的小生境技术对初始种群进化,“排挤机制”有效地保持种群的多样性,防止了早熟,而标记种群的进化方向则加快了算法的收敛速度。其次聚类方法的应用使得在各极值点附近形成了聚类区域,在不同的聚类区域运用人工免疫的趋同算子和异化算子分别进行粗搜索和细搜索,以保证全局寻优的速度和精度。仿真结果表明,该改进算法较之标准免疫算法,有更快的收敛速度、更强的全局搜索能力和更好的寻优精度。     

一种基于混合交叉策略的多目标演化算法

演化算法是求解多目标优化问题(MOP)重要而有效的方法,而应用演化策略、技巧是改善解性能的重要途径。论文叙述了多目标优化问题的有关概念,结合已有算法中的方法,设计了基于两种交叉操作相互结合的多目标演化算法(MOEAHC),该算法不仅具有较高的计算效率,而且能够保持解的多样性分布。测试结果表明该算法的良好性能。     

基于免疫进化算法的矢量量化索引值分配算法

提出了一种基于免疫进化算法的矢量量化索引值分配算法。该算法提供了一种有效的获得全局最优的索引值分配方法。利用免疫进化算法的扩展和突变操作分别进行局部和全局搜索,可快速有效地进行全局最优搜索,克服了传统进化算法易出现"早熟"、陷入局部最优和收敛速度缓慢等问题。实验结果证明该算法可以获得很好的性能增益。     

基于并行多种群自适应蚁群算法的聚类分析

数据聚类是数据挖掘中的一个重要课题。聚类问题可以归结为一个优化问题。蚁群算法作为一种鲁棒性很强的优化算法具有很强的全局优化能力。该文给出了一种并行多种群自适应蚁群算法。该算法采用多种群并行搜索,并在种群中采用基于目标函数值的启发式信息素分配策略和根据目标函数自动调整蚂蚁搜索路径的行为。理论分析和仿真实验表明,该算法是非常有效的。     

一种新的基于进化策略的多目标优化算法

用进化策略求解多目标优化问题时,为了提高解在决策变量空间中的搜索能力和保证Pareto前沿的多样性,提出了一种新的基于进化策略的多目标优化算法。运用自适应变异步长的进化策略,使解在决策变量空间中进行全局和局部搜索;并引入非劣解按一定比例进入下一代的方法,使完全被占优的个体有机会参与到下一代的繁殖,保持了解在Pareto前沿的多样性。该算法在保证解在决策空间多样性的同时,也保持了Pareto前沿的多样性。仿真实验表明,该算法具有良好的搜索性能。     

基于改进免疫遗传算法的聚类分析研究与应佑

本文分析了聚类的思想,将免疫原理引入到遗传算法并应用于聚类分析过程中,提出了改进的免疫遗传算法(MIGA).该算法借鉴了免疫算法中有关浓度的定义,并使用了GA算法中交叉和变异的思想.通过实验显示该方法优于基本的遗传算法.     

基于人工免疫系统的克隆-K均值算法

提出了一种用于聚类分析的克隆-K均值算法.基于人工免疫系统的克隆选择算法具有全局搜索能力强,收敛于全局最优解的特点.基于以上优点,在克隆选择算法中引入K-均值算子,对种群中的个体在克隆、变异操作后进行K-均值运算.通过对初始种群的形成、克隆操作、变异操作、替代操作和K-均值操作等过程的描述,提出了完整的克隆-K均值算法.实验研究表明,算法成功解决了K-均值算法对初始值敏感且容易陷入局部最优的缺点,算法明显优于传统的K-均值聚类算法.     

基于混沌遗传算法的图像恢复技术

遗传算法是一种模拟生物选择、进化过程的随机、并行搜索算法.本文利用图像恢复的数学模型,采用嵌入混沌序列生成初始种群的遗传算法对退化图像进行恢复,可以有效的解决逆滤波复原算法中存在的恢复后图像的精确度不足等缺点.有较好的恢复效果.同时为了解决遗传算法局部收敛和收敛速度慢的问题,本文算法中又引入了混沌优化机制.