求总极值的一个实现算法

郑权等在“一个求总极值的方法”一文中给出了一个积分－水平集求总极值的概念性算法及Ｍｏｎｔｅ－Ｃａｒｌｏ随机投点的实现算法,给出了总极值存在的充分和必要条件,而实现算法由于用了Ｍｏｎｔｅ－Ｃａｒｌｏ随机投点的方法,其收敛性是一未解决的问题．本文在张连生等人的“积分－水平集总极值算法的另一实现途径”的基础上,利用数论中的一致分布佳点集列,较为简便得出“一个求总极值的方法”的概念性算法及“积分－水平集总极值算法的另一实现途径”的实现算法和算法终止准则．     

求总级值的一个实现算法

郑权等在“一个求总极值的方法”一文中给出了一个积分－水平集求总极值的概念性算法及Ｍｏｎｔｅ－Ｃａｒｌｏ随机投点的实现算法。给出了总极值存在的充分和必要条件,而实现算法由于用了Ｍｏｎｔｅ－Ｃａｒｌｏ随机投点的方法。     

积分总极值方法在有界可测函数上的推广

1978年,郑权等提出了积分型求总极值的方法来解决求解全局最优解的问题,19 99年,邬冬华等对原郑权的方法作了一些改进,提出了修正的积分型求总极值方法.然而到 目前为止,积分总极值方法还仅限于定义域为闭集的连续函数.利用本质下确界的概念 以及勒贝格积分的特性,将积分总极值方法推广到了有界可测函数上,提出了针对有界可 测函数的理论算法,并给出了其最优性条件.     

一种修正的求总极值的积分—水平集方法

1978年,郑权等给出了一个积分型求总极值的概念性算法及Monte-Carlo随机取点的实验途径,该文给 一种修正的求总有值的积发－－水平集方法,它有两个方面的特点：（1）每一步需构造一新函,而其与原目标函数具有相同的部极值;（2）避免了郑权算法在一般情况下,由于水平集不易求得而造成难以求出水平的困难,该文同样出了求总极的收敛准则。     

基于Monte-Carlo求约束积分总极值

利用罚函数法将有约束问题转化成无约束优化问题，提出了变测度积分-水平集方法。通过Monte—Carlo随机投点来实现全局最优解，数值实验说明不仅计算简捷而且具有较高的精度。     

变测度算法的最优性条件

郑权首先提出了求总极值的积分-水平集方法及其算法的最优性条件.此后,邬冬华等人给出了一种修正的积分-水平集算法及相应的最优性条件.在此基础上,该文提出一个变测度的积分 水平集概念性算法,并给出类似的最优性条件.     

非线性标量系统的三单元全局极值搜索算法研究

传统多单元全局极值搜索算法仅对两个相同独立单元组成的并联系统进行实时控制,且极值搜索方向具有盲目性,容易偏离全局极值点而影响算法收敛性。提出了一种适用于含三个相同独立单元的多单元全局极值搜索算法,采用切换逻辑设计了切换控制律。证明了算法的收敛性。通过仿真对比说明:三单元全局极值搜索算法,搜索到全局极值的同时,有效地避免盲目的搜索过程,并改善了部分单元的收敛性。     

一种求解全局优化问题的修正相对熵算法及其收敛性

相对熵算法是一种应用随机模拟技术求解组合与连续全局优化问题的高效率方法.本文给出一个修正的求解全局优化问题的相对熵算法(MCE),并在假设所求解的问题仅有一个全局最优点的条件下,给出了修正算法的渐近收敛性.数值结果显示,MCE算法至少和CE算法具有同样的有效性.     

一种自适应拟牛顿广义特征分解算法

通过构造一种新的无约束损失函数,广义特征分解问题可以转化为无约束优化问题.此损失函数具有良好的特性,即具有全局极小点、无局部极值点,从而保证了迭代算法的全局收敛性.利用近似Hessian矩阵,提出了一种新的自适应拟牛顿广义特征分解算法.然后,采用随机逼近理论,严格分析了算法的收敛性.仿真结果表明,算法具有快速收敛和动态跟踪能力.     

Armijo型线搜索下一种修正HS共轭梯度法的全局收敛性

本文对HS算法进行了修正,在Armijo型线搜索下,该方法保证每次迭代中的搜索方向是充分下降的．在较弱的条件下．证明了此修正HS算法具有全局收敛性．最后对算法进行了数值试验,试验结果表明该算法具有良好的收敛性和有效性,尤其适合求解大规模无约束优化问题．     

一种随机调整控制参数的鲸鱼优化算法

针对标准鲸鱼优化算法在处理复杂优化问题时出现搜索精度低和易出现早熟收敛等缺点,提出一种随机调整控制参数的改进鲸鱼优化算法(EWOA)。受粒子群优化算法中惯性权重的启发,利用随机分布的方式调整控制参数,以平衡鲸鱼优化算法的全局搜索和局部搜索能力。对当前最优个体执行服从正态分布的变异扰动,以避免算法出现早熟收敛现象。此外,采取佳点集方法替代随机方法产生初始个体以提高算法的全局收敛速度。6个标准测试函数的仿真实验结果表明EWOA能有效处理高维复杂优化问题。     

一种改进CRS算法的收敛性分析

CRS算法及改进的CRS算法都不具有收敛性，据此，提出一种改进CRS2全局收敛算法，该算法在产生新的试探点上，利用了随机搜索技术代替直接搜索技术，并对给出的算法进行了收敛性分析，证明了该算法依概率1收敛．     

快速开关型故障限流器多目标优化配置研究

为使快速开关型故障限流器(fast switch fault current limiter, FSFCL)在系统应用中发挥其最大优势,提出一种配置FSFCL多目标优化新方法。首先,针对FSFCL配置组合方案多、算法搜索范围大、寻优效率低下问题,提出基于超标节点短路电流变化总量的灵敏度法。其次,计及加装FSFCL后对系统所有节点短路电流的综合影响,提出一种权衡局部与全局限流效果的衡量指标,并在此基础上兼顾经济成本,建立FSFCL优化配置模型。最后,采用灰狼算法进行求解,并在传统灰狼算法上引入非线性余弦型收敛因子,通过对IEEE30案例进行仿真验证,表明基于改进灰狼算法的pareto最优解集分布更加均匀且跨度更大,设计者可根据实际需求从中选取配置方案。     

一种新的量子蚁群优化算法

 针对蚁群算法在求解连续空间优化问题时易于陷入局部最优和收敛速度慢的问题,提出了一种新的基于量子进化的蚁群优化算法。 该算法采用量子比特的概率幅表示蚂蚁当前位置信息;设计了一种新的量子旋转门更新蚂蚁位置, 完成蚂蚁的移动;最后采用量子 非门实现蚂蚁所在位置的变异, 增加位置的多样性。不仅从理论上证明了所提出算法的收敛性,而且通过仿真实验表明该算法可使 搜索空间加倍,比传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。     

基于逐维改进的自适应步长布谷鸟搜索算法

步长的选取对于布谷鸟搜索算法的收敛速度与运算结果的精度起着关键作用。提出了一种基于逐维改进的自适应步长布谷鸟搜索算法。首先,在原始自适应步长布谷鸟搜索算法中,当上一代鸟窝位置为最优位置时,步长不再更新,则简单修正原有的步长让其更新;其次,将逐维更新评价策略引入修正后的自适应步长布谷鸟搜索算法。实验结果表明,该算法不仅平衡了全局寻优能力和寻优精度之间的矛盾而且具有较好的收敛速度。     

白腐真菌的培养及其在染料污水脱色中的应用

阈值法是图像分割最为常用的方法之一,然而基于一维直方图的阈值方法分割结果容易受噪声的影响.基于二维直方图的二维Fisher准则能够克服一维阈值法缺陷,具有较好的分割性能.但是二维Fisher准则阈值法在求取最优阈值时需要大量的计算,运算速度非常慢.常用的二维Fisher准则阈值优化计算方法如粒子群算法和遗传算法容易陷入局部最优.杜鹃搜索算法是新近提出的一种元启发优化算法,一些经典的函数优化问题测试结果表明杜鹃搜索算法全局寻优能力优于粒子群算法和遗传算法.在介绍杜鹃搜索算法的基础上,提出一种基于杜鹃搜索算法改进的二维Fisher准则阈值分割方法.实验结果证明,提出的方法降低了基本二维Fisher准则阈值法最优阈值的寻找时间,提高了图像分割的实时性,是一种性能良好的图像分割方法.     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

基于高斯学习多峰延迟粒子群优化算法

为克服粒子群在解决多峰函数复杂问题时存在收敛速度慢和极易陷入局部最优值的缺点,提出了一种基于高斯学习多峰延迟粒子群混合算法。首先引入改进的高斯学习提高算法的收敛速度,然后在此基础上,针对4 种进化状态在算法中引入延迟因子避免局部最优问题。通过对6 个单峰多峰测试函数进行仿真实验,验证了GLPSO( Gaussian Learning PSO) 算法具有更好的收敛速度,同时验证了GLMDPSO( Gaussian Learning Multimodal Delayed PSO) 算法在处理多峰函数复杂问题时具备更好的全局搜寻能力。因此,改进算法在解决多峰函数寻优问题时可有效跳出停滞状态,提高收敛速度并具有较好的寻优能力。