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。     

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。     

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。     

变尺度混沌优化方法及其应用

基于混沌变量,提出一种变尺度混沌优化方法,该方法不断缩小优化变量的搜索空间并不断提高搜索精度,从而有较高的搜索效率,应用该方法对６个测试函数进行优化计算得到了满意的效果。     

变尺度混沌算法的BP网络优化*

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值。此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。     

基于变尺度混沌优化策略的混合遗传算法

针对标准遗传算法（SGA）存在的收敛速度慢，易陷入局部极小等问题，提出了新的混合遗传算法，利用变尺度混沌优化方法，对经过一次遗传操作的种群进行混沌搜索寻优，引导种群快速进化，该方法具有搜索速度快，计算精度高，使用方便等特点，算例分析表明，该方法的综合性能优于SGA及其它混合GA。     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

实数编码混沌量子遗传算法

基于量子位的混沌特性和相干特性,提出一种实数编码混沌量子遗传算法（RCQGA）．该算法在解空间内将实数染色体通过反向变换映射到量子位,采用量子位概率指导的实数交叉与混沌变异相结合的方法对实数染色体进行演化搜索．实验结果表明,RCQGA不仅可以有效避免二进制编码QGA早熟收敛的缺点,而且可以减少寻优的计算复杂度,具有收敛速度快、稳定性好、寻优能力强、精度提高容易等优点,适用于工程应用中的复杂函数优化问题．     

基于逻辑自映射的变尺度混沌粒子群优化算法*

针对基本粒子群优化算法的早熟收敛问题,提出了一种基于逻辑自映射的变尺度混沌粒子群优化算法。该算法在粒子群优化算法每次寻优结束时,采用逻辑自映射函数产生混沌序列,在已搜索到的精英粒子附近尝试搜索更优解并动态收缩搜索范围,在防止算法过早陷入局部最优的同时提高了算法搜索的精度。仿真结果表明,新算法在寻优成功率和平均最优值方面有很大提高,在求解包括欺骗性函数和高维函数在内的多种函数优化问题方面具有良好的效果。     

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.     

一种改进的双链量子遗传算法及其应用*

针对目前双链量子遗传算法中保持种群多样性和改善优化效率问题提出了三种改进方法。通过在量子比特概率幅三角函数表达式中引入常数因子,使搜索过程在多个周期上同时进行,以改善算法的优化效率;提出了一种基于单比特量子Hadamard的变异策略,可提高保持种群多样性的概率;改进了量子旋转门转角步长函数,能够有效避免算法震荡,增强算法的适应性。以多变量函数极值优化问题为例,仿真实验结果表明上述三种改进措施是有效的。     

改进的变尺度混沌粒子群算法及其应用

针对粒子群算法(PSO)存在局部最优及后期收敛速度慢等问题,提出一种改进的变尺度混沌粒子群算法(IMCPSO).该算法初期,在整个解空间对最优粒子进行变尺度混沌扰动,以防止陷入局部最优;算法后期,则以最优粒子为中心引入变尺度混沌扰动,以提高算法收敛速度.当算法一旦陷入局部最优时,采用混沌粒子替代部分种群粒子以增加粒子多样性,使算法尽快跳出局部最优.基于benchmark测试函数的仿真结果表明,所提算法与基本粒子群算法(SPSO)和变尺度混沌粒子群算法(MCPSO)相比,具有明显好的搜索精度和收敛速度.最后,将该算法应用于电路故障诊断实验中的支持向量机参数优化问题,实验结果说明了其应用价值.     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

自适应变尺度混沌免疫优化算法及其应用

结合混沌优化算法与免疫算法的特点,提出了一种采用折叠次数无限的自映射X=sin(2/x)产生混沌变量的自适应变尺度混沌免疫优化算法.该算法通过自适应变尺度方法不断调整优化变量的搜索空间,同时采用最大循环次数作为控制指标,既保证了寻优的准确性,又保证了算法的快速性.应用该算法对3个测试函数进行优化计算得到了比较满意的结果.将此算法应用于移动Ad Hoc网络入侵检测时的仿真实验结果表明,自适应变尺度混沌免疫优化算法能有效地减少对训练样本的依赖,同时减少噪音数据对入侵检测系统性能的影响,适用于移动自组网络对于入侵检测系统高检测率、高抗噪能力和低计算延迟的要求.     

量子遗传算法研究进展

针对量子遗传进行了研究,介绍了量子遗传算法的发展、基本理论和方法,从量子门的改进、加入新算子、量子遗传算法的并行性、混合量子遗传算法四个角度论述了量子遗传算法的改进方法,并总结了量子遗传算法的应用领域。最后提出了量子遗传算法的发展方向。     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin(2/x) with infinite collapses within the finite region[-1;1] to some representative iterative chaotic maps with finite collapses (e.g., Logistic map, Tent map, and Chebyshev map), a new adaptive mutative scale chaos optimization algorithm (AMSCOA) is proposed by using the chaos model x = in(2/x). In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken: 1) the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2) the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.     

A new adaptive mutative scale chaos optimization algorithm and its application

Based on results of chaos characteristics comparing one-dimensional iterative chaotic self-map x = sin（2/x） with infinite collapses within the finite region[-1, 1] to some representative iterative chaotic maps with finite collapses （e.g., Logistic map, Tent map, and Chebyshev map）, a new adaptive mutative scale chaos optimization algorithm （AMSCOA） is proposed by using the chaos model x = sin（2/x）. In the optimization algorithm, in order to ensure its advantage of speed convergence and high precision in the seeking optimization process, some measures are taken： 1） the searching space of optimized variables is reduced continuously due to adaptive mutative scale method and the searching precision is enhanced accordingly; 2） the most circle time is regarded as its control guideline. The calculation examples about three testing functions reveal that the adaptive mutative scale chaos optimization algorithm has both high searching speed and precision.