随着社会的进步及科学技术的迅速发展,所研究的实际系统的规模越来越大,约束条件越来越多,非线性越来越严重,系统越来越复杂,致使系统的数学建模难度越来越大,使得传统的数学优化方法显得作用不大.为了克服这些困难,20世纪80年代以来,一些涉及生物进化、人工智能、数学和物理科学、神经系统和统计力学等概念,具有大规模并行计算和智能特点的优化算法被提出,如:人工神经网络、禁忌搜索、模拟退火、遗传算法以及混沌优化等.这些通过模拟某些自然现象或过程获得的优化算法具有直观性和一定的自然机理,所以通常被称作智能优化算法(Intelligent optimization algorithms)或称为现代启发式算法(Meta-heuristic algorithms).因此智能优化为解决复杂问题提供了新的思路和手段. 本文对基于混沌序列和Hopfield网络的智能优化进行了研究.全文的主要内容和结论叙述如下: 第一章首先介绍了优化的意义、一般形式、分类、常用概念以及求解步骤.然后主要对基于混沌序列和Hopfield网络的智能优化的研究和发展进行了综述,总结了目前在这两个智能优化领域方面所取得的一些成果.同时,对20世纪80年代以来出现的一些其它智能优化方法的特点及其应用进行了介绍. 第二章将遗传算法(Genetic Algorithms-GA)、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--变尺度遗传混沌优化算法(Mutative Scale Genetic ChaosOptimization Algorithm.MSGCOA).它能克服GA的早熟现象以及混沌优化的搜索时间过长的缺点.本章还给出了MSGCOA的收敛性分析,证明了MSGCOA是全局渐近收敛的,并分别将MSGCOA用于求解典型测试函数以及训练人工神经网络的仿真研究中.对典型测试函数的仿真研究结果表明,MSGCOA在收敛速度和精度上都优于变尺度混沌优化方法(Mutative Scale Chaos Optimization Algorithm.MSCOA)和GA.对神经网络训练的仿真研究表明,MSGCOA在感知器的训练方面与支持向量机所得到的效果很接近,在神经网络拟合函数训练方面其效果要优于BP算法,并且具有一定的泛化能力. 第三章利用第二章所提出的MSGCOA智能优化方法,以及小波包分解提取方法(Wavelet Packet.Decomposition-WPD)和支持向量机(Support Vector Machine-SVM)构成了一个新颖的超声波缺陷自动分类系统.该系统选择Wrapper Model为特征选择模型,采用MSGCOA为特征子集选择方法,采用WPD实现从超声波中提取特征,采用SVM实现对缺陷的分类.通过SVM的反馈来指导MSGCOA搜索最优的特征组合,这一步骤是这一系统的特色,这在传统的超声缺陷分类系统中很少采用.通过将此系统用于海底输油管道的缺陷分类实验可以证实此系统具有较高分类准确率和较好的分类性能. 第四章首先对连续Hopfield网络(Continuous Hopfield Neural Network-CHNN)进行了能量分析,在此基础上,我们发现当在CHNN的每个神经元上增加一个自反馈后,CHNN的能量不会只是一味的下降,而是可能上升、下降或是不变.同时给出了使得CHNN的网络能量上升、下降和不变的条件.由于可以使网络的能量上升,因此有可能避免网络陷入局部极小值的现象.在此基础上,通过衰减所加的自反馈我们给出了一种求解旅行商问题(Traveling Salesman Problems-TSP)的CHNN的改进网络,即增加衰减自反馈CHNN(Adding Decaying Self-feedback CHNN-ADSCHNN).求解.TSP的仿真研究表明,当所加衰减自反馈为负时,ADSCHNN每一次都能找到合理解甚至全局最优解,而且基本上能够克服网络初始值对最终结果的影响. 第五章针对第四章中的ADSCHNN不能人为地进行网络能量控制的不足,为了能控制CHNN的网络能量,在CHNN每一个神经元上增加一个控制量u<,i>.同时,我们给出了使得CHNN的网络能量上升、下降和不变的u<,i>的控制规则.在此基础上,用衰减混沌噪声设计了求解TSP的控制量,用此来改善CHNN求解TSP的效果,从而建立了一种新的基于能量控制CHNN--临界衰减混沌噪声CHNN(Critical Decaying Chaotic NoiseCHNN-CDCNCFiNN).求解TSP的仿真证实CDCNCHNN收敛的精确度比ADSCHNN稍差一点,但是收敛速度要比ADSCFiNN快. 第六章对ADSCHNN和基于能量控制CHNN从优化学习角度进行了理论分析.说明了为什么ADSCHNN和CDCNCHNN在求解TSP时,其求解效果要优于CHNN.同时也说明了在求解TSP时,对于所加自反馈为负的ADSCHNN,当参数设置合适时,网络总能收敛到合理解;而对于所加自反馈为正的ADSCHNN,网络有可能收敛到不合理解,从而说明了自反馈为负的ADSCFiNN求解TSP的效果要好.对于基于能量控制CHNN,当控制量设得恰当时,网络将在超立方体的顶点集中寻找TsP的解,由于搜索空间变得较小,因此提高了搜索效率和找到合理解的概率.本章还对ADSCFiNN和基于能量控制CHNN之间的区别和联系进行了说明. 第七章总结了本文研究的主要内容并给出了进一步需要研究的问题.本文主要有以下创新:1.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--MSGCOA.MSGCOA可以克服遗传算法的早熟现象和混沌优化的搜索时间过长的缺点.并给出了该算法的收敛性分析,证明了该算法是全局渐近收敛的.2.利用MSGCOA、WPD和SVM建立了一个新颖的缺陷自动分类系统,并将此系统成功地运用到海底输油管道的缺陷分类中,取得了良好的分类效果.3.在 CHNN 的每个神经元上增加自反馈后,对此网络进行了能量分析,得到了使得网络能量上升、下降和不变的条件.并在此基础上,通过衰减增加的自反馈项建立了一个CHNN的改进网络--ADSCHNN.此网络显示出很好的求解 TSP 的效果.4.通过在CHNN的每个神经元上增加一个控制量,实现了对CHNN的能量控制.在对网络进行能量分析的基础上得到了控制规则,由此设计出求解TSP的控制量,并建立了一种新的基于能量控制CHNN--CDCNCHNN.此网络具有比较快的收敛速度和较好的收敛效果.