非线性规划的一种基于极大熵函数的单调化方法

对约束函数单调而目标函数非单调的非线性规划问题,给出了目标函数的一种积的形式的单调化变换公式,首先引入极大熵函数,将多个约束的非线性规划问题,转化为只含一个约束的非线性规划问题,再将转化后的只有一个约束的非线性规划问题转化为一个单调规划问题,最后证明了等价性.     

约束优化问题带有混沌变异的PSO-DE混合算法

使用混沌运动产生均匀分布的初始种群,并且对早熟的种群进行混沌变异,以增强算法的全局寻优能力;用一个改进的粒子群优化算法对种群进化,对那些不可行的粒子再用差分进化算法进行演化;通过自适应的半可行域竞争选择策略形成新一代种群,直到达到全局寻优的目的,由此提出一个约束优化问题带有混沌变异的PSO-DE混合算法.数值结果表明,所提出的算法具有较高的计算精度、较好的稳定性、较强的全局寻优能力.     

双凹规则的一种分枝定界算法

利用支定界技术构造一个求解双凹规则问题的整体最优解算法，并进行了收敛性分析。     

带有二次约束二次规划问题的全局最优化

根据带有二次约束二次规划模型的特殊结构,利用乘积的凸包络和凹包络,给出带有二次约束二次规划问题的松弛线性规划问题,以确定全局最优值的下界,使用超矩形缩减技术以加快分支定界算法的收敛速度,从而提出一个求解带有二次约束二次规划问题的全局最优化算法,证明该算法的收敛性,这个新算法实际上是把分支定界方法与外逼近方法有机地结合起来.数值算例表明所提出的算法是可行的.     

多目标云分布估计算法

为增强多目标分布估计算法(MEDA)的局部搜索能力,将云模型引入到多目标分布估计算法中,提出一种多目标云分布估计算法(CMEDA).该算法一方面利用分布估计的采样操作对进化种群进行搜索,另一方面利用云滴具有随机性、稳定倾向性等特点,进行外部档案搜索,实现群体间信息交换,从而提高多目标分布估计算法的全局搜索能力.数值实验选取6个常用测试函数,并与NSGA-Ⅱ和MEDA算法进行比较,结果表明,CMEDA算法在收敛性和多样性两方面都有较好的性能.     

混沌的自适应和声搜索算法

和声搜索算法是一种启发式优化算法,针对现有改进的和声搜索算法(IHS)的不足,提出了一种混沌自适应和声搜索算法(CAHS)。在该算法中,首先采用混沌策略初始化种群,然后采用自适应的和声保留概率、音调调节概率和音调调节步长产生新解,每次迭代产生多个新解,充分利用和声记忆库的信息。如果算法停滞,则采用混沌变异机制。本文用5个标准的测试函数对该算法进行测试,结果表明该算法(CAHS)比IHS和AHSPSO算法有较强的寻优能力和跳出局部最优解的能力。     

基于高斯变异与Levy飞行策略的混合粒子群优化算法

目的 解决粒子群算法易陷入局部最优解、出现早熟收敛从而导致求解精度不高的缺陷.方法 将高斯变异(Gaussian M utation)、Levy飞行策略与基本粒子群优化算法(PSO)进行混合,提出一种称为GLPSO混合粒子群算法.在该算法中粒子通过Levy飞行更新自己的位置,若粒子在若干次迭代后无法产生更优值,则在保存当前最优值的前提下进行高斯变异来保持种群多样性.结果 与结论通过对基准测试函数优化的实验结果对比,GLPSO在5个基准测试函数中的优化精度和全局搜索能力优于其他对比算法,GLPSO有更加出色的全局搜索能力和更高的求解精度.     

一类混合的FR-PC共轭梯度法及其全局收敛性

提出了一种混合的FR-PC共轭梯度法,该法每步迭代都可自动产生一个充分下降方向.分别在Wolfe搜索和固定步长公式下证明了算法的全局收敛性,数值实验说明算法是有效的.     

高维不可分双正交多小波包

首先，给出了对应于多重多分辨分析的双正交多小波包的定义，建立了具有任意矩阵伸缩的双正交多小波包的理论框架．在此基础上，给出了具有任意矩阵伸缩的高维不可分双正交多小波包的构造方法．由此构造的多小波包的分解系数可以从不同的滤波器中抽取．这使得小波包的应用更灵活．     

粒子群算法的改进与比较研究

针对粒子群算法(particle swarm optimization,PSO)"早熟收敛"和后期收敛速度慢的特点,文章提出了一种改进的PSO算法。该算法摒弃了近年来许多在改进过程中引入过量繁琐公式、各种变换因子而导致算法过程冗杂的粒子群改进方法,而是在简化PSO算法的基础上引入自适应局部搜索因子,在种群不变的情况下拓宽了搜索范围并提高了搜索精度,且在某些测试函数下寻优效果明显优于其他复杂的PSO优化算法。最后的测试实验表明,该文算法能避免早熟问题,有效地提高了算法的精确寻优能力。