混沌增强加速粒子群算法提升多目标优化性能

混沌增强加速粒子群优化算法（Chaos-enhanced Accelerated Particle Swarm Optimization，CEAPS）是2014年提出的一种改进型优化算法，其灵感来源于对具有强大全局搜索能力的加速粒子群算法（Accelerated Particle Swarm Optimization，APSO）的研究。APSO本身在解决复杂优化问题时表现出色，然而它容易出现早熟收敛的问题，即在搜索初期就过快地趋向于局部最优解，这可能导致全局最优解的遗漏。为了解决这一问题，研究者将混沌理论融入到算法中，通过引入混沌序列来动态调整全局学习因子，从而增强算法的全局探索能力。 混沌理论在优化算法中的应用，可以提供一种随机性元素，使得粒子群在搜索过程中能够避免陷入局部最优区域，保持对未知解空间的持续探索。CEAPS算法的优势在于它能够在保持加速粒子群算法高效性的同时，提升算法的收敛精度，使其具有更快的收敛速度和更强的跳出局部最优的能力。 为了验证混沌增强加速粒子群算法的效果，研究团队将其与经典的非劣分类多目标遗传算法（Non-dominated Sorting Multi-objective Genetic Algorithm，NSGA）、多目标粒子群优化算法（Multi-objective Particle Swarm Optimization，MOPSO）以及加速粒子群算法进行了比较。实验结果显示，CEAPS算法在处理四个典型的多目标优化函数时，性能明显优于其他算法，显示出其在优化求解领域的优越性，特别适用于需要寻找全局最优解的复杂问题。 该论文的研究人员包括赵丽萍、舒期梁、武燕和李孟山，他们分别来自景德镇陶瓷学院信息工程学院，他们的研究领域涵盖了数据挖掘、群智能算法、人工智能和演化计算，其中李孟山作为通讯作者，对群智能算法及应用有深入研究。论文发表在工程技术类期刊上，得到了国家自然科学基金项目的资助，具有较高的学术价值，为混沌理论在优化算法设计中的实际应用提供了新的视角和方法，对于优化领域及相关工程问题的求解具有重要的参考意义。