组合优化问题广泛存在于物流、排程和网络设计等现实应用中。这类问题需要在满足特定约束条件的前提下，从有限个离散方案中寻找目标函数最优（最大化或最小化）的解决方案。随着问题规模不断扩大，可行解的数量会呈指数级增长，因此寻找最优解几乎是不可能完成的任务。
为解决这一难题，研究人员开发了许多启发式（heuristic）和元启发式（metaheuristic）算法，以高效获得近似最优解。混沌搜索（Chaotic Search，CS）便是其中一种利用混沌动力学进行搜索的算法。
混沌动力学虽然遵循精确的演化规律，但由于对初始参数的微小变化极其敏感，因此其行为看起来具有不可预测性。与完全依赖随机性的搜索方法不同，CS能够生成具有确定性但高度不规则的搜索轨迹，从而更充分地探索整个解空间，避免搜索过程陷入局部最优解。
然而，尽管CS具有较强的全局搜索能力，其性能却对多个控制参数高度敏感。当参数能够很好地匹配具体问题特征时，CS能够取得良好效果；但即便只是轻微偏离，也可能导致算法表现不稳定。
为了提高算法的鲁棒性，研究人员此前在CS基础上引入了一种参数调节方法（Chaotic Search with Tuning，CST），通过启发式反馈机制自动调整参数。然而，在CST中，所有参数都会依据全局统计信息统一更新，因此在面对复杂问题时，其自适应能力和稳定性仍然受到限制。
据外媒报道，为克服这些不足，日本东京理科大学（Tokyo University of Science，TUS）工学部Tohru Ikeguchi教授领衔的研究团队提出了一种基于学习机制的自适应参数调节方法，将CS与粒子群优化（Particle Swarm Optimization，PSO）相结合，开发出一种新的算法——CSPSO。
研究团队成员还包括东京理科大学博士三年级学生Fengkai Guo、日本工业大学副教授Takafumi Matsuura以及东京都市大学教授Takayuki Kimura。
相关研究发表于期刊《非线性理论及其应用》（Nonlinear Theory and Its Applications, IEICE）。
扫一扫关注微信
