二阶锥规划的Lagrange对偶及2维原始对偶单纯形法

目前对二阶锥规划算法的研究是数学规划领域的研究热点之一,在这方面的研究成果初具规模.文中着重研究两方面问题:一是详细推导二阶锥规划的Lagrange对偶问题;二是将2维二阶锥规划(即二阶锥约束都是2维的,但自变量的总维数是2r维的,r表示二阶锥约束的个数)转化成相应的标准形线性规划,给出其原始对偶单纯形法,并举例说明算法的应用,最后进行部分灵敏度分析.这一工作基本完善了2维二阶锥规划的单纯形类方法,即至此,2维二阶锥规划的原始单纯形法、对偶单纯形法和原始对偶单纯形法的理论已较完善.其他拓广的单纯形类方法可在将2维二阶锥规划转化成相应的标准形线性规划之后对应线性规划的拓广单纯形类方法直接得到.     

一类二次二层规划的平衡点算法

Manoel Campelo[1]借助线性规划的单纯形算法,给出了求解线性二层规划的平衡点算法.本文借助线性规划的单纯形法和二次规划的Lemke算法,给出求解一类非线性二层规划的平衡点算法,并给出算例说明算法可行性.     

线性分式规划的一个非参数算法

本文给出了一般线性分式规划的一种不利用参数的求解方法——直接单纯形法,以及与这个算法相联系的最优性准则.这个算法在结构上与线性规划的单纯形法十分相似。     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

基于粒子群的交叉规划问题的求解算法

提出了基于单纯形法和内部映射牛顿法的子空间置信域法的粒子群算法,分别用于求解线性交叉规划和非线性交叉规划,并结合实例说明了这两种混合粒子群算法求解交叉规划的可行性和有效性.     

基于进化规划算法的图像聚类研究

将进化规划算法应用于图像聚类问题,对问题的解进行符号编码,采用群体智能模式实现问题解的搜索.利用进化规划算法的变异算子和选择算子可以有效提高算法的全局搜索能力,采用高斯变异算子保证了优秀解的多样性,降低了进化操作的复杂性.仿真实验证明基于进化规划算法的图像聚类算法具有可行性和准确性.     

线性规划的GP算法

本文给出了求解线性规划的三个新概念和一个新算法,并给出了两个说明实例。这些新概念和新算法是以目标规划(GP)方法为基础的。GP算法求解线性规划时能得到较多信息,所以,它比通常使用的单纯形法和二阶段法更加有效。     

用进化规划思想优化径向基函数神经网络结构的均衡器

针对训练径向基函数(RBF)神经网络均衡器的随机梯度算法(SG)中,神经网络的结构是指定的并且所用训练样本较长的问题,引入进化规划思想,用进化规划方法确定径向基函数神经网络的结构,用基于最小均方(LMS)误差准则的自适应算法调整神经元到输出端的连接权重.蒙特卡洛仿真表明,用这种方法确定的均衡器可以达到与SG算法相同的性能,而所用训练样本很少,网络结构不需要事先指定.     

基于调和距离量子多目标进化算法的NoC测试规划优化

如何实现测试时间和测试功耗协同优化是目前片上网络(Network-on-Chip,NoC)测试中亟待解决的问题.提出一种基于调和距离量子多目标进化算法(Harmonic distance quantum-inspired multiobjective evolutionary algorithm,HQMEA)的NoC测试规划优化方法.采用重用NoC作为测试存取机制(Test access mechanism,TAM)的并行测试方法,对NoC中的内核进行测试,节省测试资源,提高测试效率.提出的算法在量子多目标进化算法(Quantum-inspired multiobjective evolutionary algorithm,QMEA)的基础上,采用多进制概率角编码替代二进制概率幅编码,更好的适应NoC测试规划问题;采用调和距离替代拥挤距离(Crowding distance)能更好的衡量拥挤程度;采用混沌策略动态更新旋转角,能很好地兼顾了算法的探索和发掘能力.在ITC’02test benchmarks测试集上进行对比实验,结果表明相比量子多目标进化算法,提出的算法不仅提升了算法的收敛性,而且保证了Pareto解集良好的分布性.     

基于改进量子头脑风暴算法的UAV三维航迹规划

针对复杂环境中的无人飞行器航迹规划问题，提出了一种基于改进量子头脑风暴优化(QBSO)算法的UAV三维航迹规划方法．在进化前期，两个种群独立进化，从而提升算法的全局搜索能力．在进化后期，对每个种群中的个体进行排序，每个种群中较优的(排名前50%)个体形成一个新种群，该新种群按照QBSO的进化机制继续进行进化，从而加快算法收敛速度．此外，为进一步提升算法的全局搜索能力，提出了一种改进的待变异个体产生方式．实验结果表明：与基本BSO、QBSO、改进BSO及全局最优BSO算法相比，改进QBSO算法在解决航迹规划问题上具有更高的全局搜索能力、收敛精度和更强的稳定性．     

进化规划在计及阀点负荷的经济调度中的应用

探讨了模拟进化优化方法中的进化规划用以求解带有阀点负荷的经济调度问题,在优化编码、适合度函数和变异量取值方面进行了研究,进一步拓展了电力系统经济调度计算方法的应用前景,最后给出一个６节点３机系统算例结果并与遗传算法进行比较,证明其有效和简捷。     

一种新的群搜索优化实现算法

针对群搜索优化（GSO）算法存在的不足,提出一种新的GSO实现算法（NRGSO）.采用5个300维和7个30维的测试函数对NRGSO算法进行数值实验,并将其与GSO算法、微粒群优化（PSO）算法、遗传算法（GA）、进化规划（EP）、进化策略（ES）进行比较.结果表明,NRGSO算法的性能优于GSO算法;而在解决高维和多模态函数的优化问题方面,其性能优于PSO、GA、EP和ES等算法.NRGSO算法改进了群搜索优化原实现方法的不足,提高了算法的搜索性能,不仅在高维函数的优化中表现卓越,还能有效地避免陷入局部次优,并且在实际的优化问题中应用方便.     

求解一类非线性规划问题的混合遗传算法

提出了一种求解目标函数和约束条件均二阶可导的非线性规划问题的混合计算智能算法．该算法是把一种浮点数编码遗传算法和约束变尺度法相结合提高求取全局解的速度和概率．在该算法中，选择、交叉和变异等遗传操作算子是以非线性规划问题的一个惩罚函数为求解对象，目的是把解引向全局解附近，为约束变尺度算子提供初值；而约束变尺度算子直接以原非线性规划问题为求解对象，以发挥其局部搜索能力强的优点，数值实验表明，混合算法是一种可靠、高效的全局优化算法．     

混沌和进化规划在数字滤波器优化设计中的应用

该文将进化规划用于数字滤波器的优化设计，并在进行化规划中利用混沌模型构造了一个随机开关，以此来控制进化规划中的变异运算，从而可以快速有效地实现全局寻优。     

基于混合优化算法的船体线型优化设计

为了克服单一优化算法的缺点和不足,将遗传算法(GA)和非线性规划法(NLP)有机结合组成混合优化算法来优化船体形状,开发船体线型优化设计程序.在优化过程中,以Rankine源法计算的兴波阻力为目标函数,以船型修改函数的参数为设计变量,在保证必要排水体积的条件下进行优化设计.Wigley数学船型算例的计算结果表明,在优化效果和耗费时间上,混合优化算法的计算结果更优.该算法可为船舶初步设计阶段船体线型的选择提供理论基础和技术支持. 关键词：
混合优化算法; 遗传算法; 非线性规划; 兴波阻力; Rankine源法 中图分类号： U 661.1
文献标志码： A     

求代数方程组数值解的智能新方法

本文针对解代数方程组计算复杂和非线性方程组的解难以得到问题，提出了一种适合于不同类型方程组的通用算法．模拟生物进化过程，利用仅以变异作为唯一基因操作的EP方法来求方程组的最优解或次最优解．首先建立智能化的通用方程组，再利用改进的EP方法(在自适应方法中引入小生境思想)来求解方程组．算法既简单又具有通用性，最后举例说明本方法的有效性．     

对偶单纯形法的一个注记

针对运筹学教学难点--对偶单纯形法,通过讨论证明了单纯形表中的列可以视为对偶问题的非基变量的检验数,并讨论了在对偶单纯形法迭代过程中的进基变量与出基变量的确定原则亦如同在单纯形法迭代过程中进基变量与出基变量的确定原则,得出结论是对偶单纯形法本质上就是单纯形法,只是在运用对偶单纯形法解线性规划时需要将单纯形表旋转90°.     

基于QPSO和MATLAB优化资金投资组合

量子粒子群优化算法(QPSO)是一种基于粒子群优化算法(PSO)的进化算法,它收敛速度快、规则简单、易于编程实现;Matlab是国际控制界公认的标准计算软件。采用QPSO对资金组合投资的多目标问题进行优化,使用Matlab编程,解决了传统方法难以解决的问题,仿真实验表明采用本方法能对资金投资组合问题提出较好的优化决策。