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。     

求解带时间窗车辆路径问题的混沌遗传算法

针对遗传算法随机性大、末成熟收敛等缺点,提出了将混沌搜索技术和遗传算法相耦合的混沌遗传算法来求解带时间窗的物流配送车辆路径问题(VRPTW)。该算法将混沌变量映射到优化变量的取值范围中,把得到的混沌变量进行编码生成初始种群,然后在遗传操作进行之后对优秀个体增加混沌扰动,促进种群的进化收敛速度,得到最优解。实例计算结果与其他算法比较表明,该算法在求解VRPTW问题时,搜索效率高,能以较快的速度收敛于全局最优解,为求解VRPTW问题提供了一种新方法。     

混沌优化与遗传算法的智能集成

作为智能算法,遗传算法的确是解决非线性复杂优化问题的有利工具,但它在搜索过程中易陷入局部最优、收敛速度慢的缺陷又确实限制了它的寻优效能。混沌的遍历性、随机性和内在规律性使得混沌优化能够互补地与遗传算法进行集成。基于此,该文经过遗传算法和混沌优化方法的理论机制分析,将二者进行智能集成,给出混沌遗传优化算法CGA。经过仿真迭代运算,发现该算法能够保证求得全局最优解,并且寻优速度有很大提高。     

基于混沌粒子群算法的物流配送路径优化

通过结合混沌的遍历性和粒子群的快速性的优点,提出了一种用于求解物流配送路径优化问题的混沌粒子群优化算法。该算法利用混沌变量产生初始粒子群,对子代部分粒子群进行微小扰动,随着搜索过程深入逐步调整扰动幅度,通过调整惯性权重因子克服标准PSO算法的早熟和易陷入局部最优值等缺陷。将混沌粒子群优化算法用于物流配送路径优化,建立了数学模型,在此基础上设计了相应的算法。将该算法和遗传算法、标准粒子群算法进行比较,证明了其收敛速度和寻优能力的优越性。     

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。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

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.     

混沌遗传算法(CGA)的应用研究及其优化效率评价

利用混沌运动的遍历性,提出了一种求解优化问题的混沌遗传算法(CGA,Chaos Genetic A1gorithm). 该算法的基本思想是把混沌变量加载于遗传算法的变量群体中,利用混沌变 量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度.研究结果表明,该方法 效果显著,明显提高了优化计算效率.本文将"平均截止代数"和"截止代数分布熵"作为评价指 标,对混沌遗传算法(CGA)的优化效率进行了研究,定量地评价了CGA的优化效率,通过与遗 传算法(GA)进行比较,进一步说明了CGA的优化效率高于GA.     

改进的混沌遗传算法

将遗传算法与混沌算法相结合,提出了一种新颖的基于猫映射的混沌遗传算法（CGA）,解释了猫映射的遍历性,分析了猫映射的混沌分布优越性。该算法利用猫映射的初值敏感性扩大搜索范围,利用猫映射的遍历性进行混沌变量的优化搜索,从而减少了数据冗余,保持了种群多样性,有效地解决了局部收敛问题。理论分析和数值仿真表明,该算法具有更好的收敛性能。     

改进的混沌粒子群算法求解车辆路径问题*

为求解车辆路径问题提出一种改进的混沌粒子群优化算法。该算法在基本混沌粒子群优化算法（CPSO）基础上,引入逻辑斯特函数,对惯性权重因子w进行非线性调整,提高了算法的寻优能力,有效避免了算法陷入局部最优并防止过早收敛。采用该算法应用于车辆路径问题,仿真结果表明该与标准遗传和双种群遗传算法比较,具有一定的优势。