一种改进的自适应粒子群优化算法

针对粒子群优化算法中出现对大规模问题搜索失败,分析了粒子群优化算法的收敛性,指出了粒子速度与搜索失败的关系,提出了一种根据速度信息自适应调整参数的粒子群优化算法,该算法在满足收敛性的条件下,搜索过程中粒子根据理想的速度自适应调整参数进行搜索。修改后的算法经过大量测试函数上的模拟实验验证,并与其他算法进行了比较。实验结果表明,该算法能克服基本PSO算法在求解高维、多峰等复杂非线性优化问题时易陷入局部最优和不收敛等搜索失败的问题。     

一种求解非线性函数优化问题的混合遗传算法

结合单纯形法的混合遗传算法是将单纯形操作替代原来的交叉算子,并采用最优群体保留策略,算法可以很小的群体规模实现兼顾全局搜索和局部搜索的均衡搜索,大幅度提高搜索精度和效率,算法不需要梯度信息,不需进行编码操作,非常适合求解非线性函数优化问题。     

非单调线性互补问题的宽邻域算法复杂度分析

研究非单调线性互补问题的宽邻域不可行内点算法.为减小算法的理论复杂度,通过两个牛顿方程分别计算两个搜索方向,再通过这两个搜索方向的凸组合,获得该算法的搜索方向.通过分析,该算法的复杂度与当前最好的宽邻域不可行算法的复杂度一致.     

一种新的混合共轭梯度算法

给出了一种新的求解无约束优化问题的混合共轭梯度算法,该算法的搜索方向下降性不依赖于任何线搜索条件,并在Wolfe-Powell线搜索条件下证明了该算法具有全局收敛性,同时还给出了比较好的数值结果。     

带参数的混合共轭梯度算法及其收敛性研究

提出一种混合共轭梯度算法来解决无约束优化问题,该算法的搜索方向满足充分下降性条件而不依赖于任何线搜索,在使用Wolf线搜索的条件下,该算法具有全局收敛性。数值算例结果表明算法是有效的。     

并行混沌与和声搜索的多目标混合优化算法

针对传统的混沌优化算法对初始值敏感、搜索精度低和收敛速度慢,以及和声搜索收敛不稳定、处理多目标优化问题时适应性差等不足,研究了一种多目标并行混沌与和声搜索混合优化算法(MOCOHSA).MOCOHSA利用并行混沌优化的全局搜索能力与和声搜索算法的局部搜索能力,并在和声搜索中引入自适应操作,在解决多目标优化问题时表现出良好的搜索速度和收敛性能.对8个多目标优化测试函数的优化计算中,该算法表现出比其它多目标优化算法更好的性能.算法最后用于解决卫星热管设计问题.     

一种修正三项Hestenes-Stiefel共轭梯度投影算法及其应用

提出一种新的修正三项Hestenes-Stiefel共轭梯度投影算法, 用于求解大规模非线性方程组问题和信号恢复问题. 该算法通过构造一个新的修正Hestenes-Stiefel搜索方向, 结合经典线搜索方法和超平面投影技术而得, 新搜索方向在不需要任何线搜索条件下自动满足充分下降性, 在常规假设条件下, 新算法具有全局收敛性质. 数值实验结果表明,  新算法高效且稳定.     

Armijo搜索下改进的LS共轭梯度法

共轭梯度法是求解无约束优化问题的一类重要方法。通过调整搜索方向,提出了一类改进的LS共轭梯度法,该方法在每步迭代中都能不依赖于任何搜索而自行产生充分下降方向。在精确搜索下,该算法将还原为原LS方法。在适当的条件下,获证了该法在Armijo搜索下,即使求解非凸函数极小化的问题,算法也全局收敛。同时,数值实验表明该算法可以有效求解优化问题。     

基于简单二次函数模型的滤子非单调信赖域算法

对无约束最优化问题提出了一个基于简单二次函数模型的非单调滤子信赖域算法。算法在信赖域试探步不被接受时,采用滤子技术,增大试探步被接受的可能性;如果此试探步也不能被滤子集接受,则用固定的公式取搜索方向,并沿此搜索方向进行非单调Wolfe线搜索得到步长,从而产生新的迭代点。该算法不需要重解子问题,减少了计算量。在较少的条件下,证明了算法的全局收敛性。初步的数值试验表明了算法的有效性。     

基于离散模型的双边搜索博弈问题的研究

在双边搜索中,被搜索者不希望被搜索到,因此可以将搜索双方的行为看成二人零和博弈问题。在考虑搜索双方的搜索花费和搜索单元格的探测概率情况下描述了搜索过程,并基于离散搜索模型提出了一类双边搜索问题的算法,通过仿真算例,分析了搜索双方在均衡解下的搜索结果。     

带回溯线搜索的新锥模型信赖域算法

结合线搜索方法计算量小的优点和信赖域算法很好的收敛性,将回溯线搜索应用到新锥模型自适应信赖域方法上构造了一类新的算法,并证明了该算法具有全局收敛性。初步的数值实验表明该算法是可行的。     

解无约束优化问题的一个新的非单调信赖域算法

在传统信赖域方法的基础上,提出了求解无约束最优化问题的一个新的带非单调线搜索的信赖域算法.该算法采用非单调Wolfe线搜索技术获得迭代步长,新算法在每一迭代步只需求解一次信赖域子问题,克服了每次迭代求解信赖域子问题时计算量较大的缺点.在一定条件下,证明了算法的全局收敛性.数值实验结果表明该算法是有效的.     

一类带线搜索的非单调信赖域算法

给出无约束最优化的一类带线搜索的非单调信赖域算法.在一定条件下证明了算法的全局收敛性和Q-二阶收敛速度.这类算法与通常的非单调信赖域算法不同.当试探步不成功时,采用线搜索技术得到下一个迭代点.这样不仅减少了计算量,而且避免了下参考函数值远大于实际函数值的问题.     

无约束优化中带线搜索的非单调信赖域算法

将信赖域与线搜索方法相结合,采用非单调技术,提出一种求解无约束优问题的非单调信赖域算法,并在适当的条件下,证明算法有全局收敛性和Q-二次收敛性.算法在试探步不被接受时,采用非单调线搜索寻找下一迭代点.算法克服了传统非单调算法中用于产生非单调性的参考函数值远大于实际函数值的问题.初步的数值试验证实算法是有效的.     

无约束优化问题的多重滤子线搜索信赖域方法

结合多重滤子、线搜索和非单调技术,对无约束优化问题提出新的非单调信赖域算法.当试验点迭代不成功时,采用多重滤子线搜索,尽量减少重新求解信赖域子问题的次数,从而降低了计算量.在一定的条件下,给出新算法的全局收敛性证明.     

信赖域内点算法使用非单调回代技术解有界变量约束的优化问题

改进了Coleman和Li提出信赖域内点算法解有界变量约束的优化问题。由信赖域子问题产生的迭代步运用于信赖域和非单调回代技术的混合策略。在定理的条件下，证明修正后算法的整体收敛性和快速的局部收敛速率。非单调准则能使问题在病态情况下加快收敛进程。     

一种无约束优化的非单调拟牛顿信赖域算法

提出一种新的信赖域算法, 使子问题产生的试探步 d^k始终保持在信赖域中, 在每次迭代过程中, 试探步d^k均能得到校正, 当试探步不被接受时, 采用非单调线搜索技术, 无需重解子问题. 在适当的条件下, 证明了算法的全局收敛性.     

伪牛顿信赖域算法及其收敛性

本文提出了一类新的求解无约束最优化问题的信赖域算法.新算法将Goldstein线搜索技术与信赖域方法相结合,并通过伪Newdon-δ族校正公式计算信赖域子问题中的Bk,使算法不仅不需重解子问题,而且每步迭代都满足弱拟牛顿方程,保证了目标函数的近似Hesse阵Bk的正定性.在适当的条件下,证明了此算法的全局收敛性和Q-二...     

投影Hessian的内点回代算法解线性约束优化问题

提供非单调内点回代技术的信赖域投影Hessian算法解线性约束优化问题.基于矩阵QR分解的技巧,将仿射零空间的信赖域子问题变换成通常的信赖域子问题,然后结合线搜索技术,在每次迭代信赖域子问题都将产生新的回代内点.在合理的条件下,证明了算法不仅具有整体收敛性而且保持局部超线性收敛速率,引入非单调技术将克服病态问题,加速收敛性进程.