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。

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.

三种混沌免疫优化组合算法性能之比较研究

利用混沌迭代的遍历性和内在随机性,提出三种混沌免疫优化组合算法,以弥补免疫进化算法收敛性能差的缺陷。这三种算法均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,分别把混沌变量加载于免疫算法的总种群、遗传操作种群和记忆库种群的变量群体中,利用混沌搜索的特点对这些群体进行微小扰动并逐步调整扰动幅度。对三种算法的性能进行了实验比较,结果表明算法一具有更好的收敛性能和搜索效率。

基于混沌免疫进化算法的聚类算法分析

结合免疫进化算法和混沌优化算法各自在数据空间搜索的优势,本文提出了一种新的基于混沌免疫进化算法的模糊C-均值聚类算法。该算法实现了从全局到局部的两层领域搜索机制,且仿真结果表明,该算法有效地避免了通常聚类方法易出现的早熟现象,同时也具有较快的收敛速度和较高的准确度。

基于混沌免疫进化算法的汽车主动悬架控制策略研究

提出一种基于混沌免疫进化算法的1/4汽车主动悬架控制方法.在免疫进化算法的基础上,利用混沌运动的特点,对初始种群混沌初始化,且根据个体评价值对群体进行不同幅度的混沌载波,既可保护优秀个体,又可进行遍历搜索,跳出局部极小值,达到快速寻优的效果.仿真结果表明:与免疫进化控制比较,采用混沌免疫进化控制,汽车的平顺性和安全性得到了更好的改善.

基于免疫进化与混沌变异的机器人路径规划

针对传统进化算法的"早熟收敛"和"收敛速度慢"两大致命缺点,在分析了导致以上缺点原因的基础上,提出了一种基于人工免疫与混沌变异的双群进化算法。在该算法中,进化在2个子群间同时进行,一个种群使用混沌变异算子对解空间进行充分搜索,另一个种群使用指数衰减的高斯算子进行局部搜索,较快速地规划出性能是全局优化的可行路径。测试结果表明:该算法是可行的。

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。