一种极小化两个凸函数之和的混合近似邻近点算法

本文提出一种混合近似邻近点算法以求解极小化两个凸函数之和的无约束优化问题。通过将邻近点算法中的优化问题转化为一系列极小化近似函数的子问题来求解,以得到此优化问题的最优解。在子问题中用线性模型来取代原问题目标函数中非线性程度较低的函数,而在下一个子问题中,用二次模型来取代非线性程度较高的函数,进行交替运算。在临近点算法的框架下,求出原问题的解。最后给出3个算例以说明本文所给出的算法是有效的。     

增广拉格朗日函数的两种可分化方法之比较(运筹学与控制论)

可分方法用于将一个复杂的大规模优化问题分解成各个子问题进行求解。增广拉格朗日松弛方法的主要缺点是由其引入的二次项是不能分离的。为了处理这种增广拉格朗日函数的不可分离性，可将辅助问题原理方法或分块坐标下降方法应用于增广拉格朗日松弛方法。与已有文献中对带有约束条件x-x=0的优化问题进行这两种可分方法的比较不同，本文对带有更一般的约束条件———线性约束z=Ax的优化问题进行这两种可分化方法的比较；最后给出的两个算例证实了本文的理论分析结果———在处理不可分离的增广拉格朗日函数的时候，在一定条件下，分块坐标下降法往往比辅助问题原则法更快得到最优值。
     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

模糊多目标规划在制定最优竞标方案中的应用

【目的】针对已有文献提出的一类工程项目的招投标问题,给出了一种使用模糊多目标规划技术进行建模以制定最优竞标方案的方法。【方法】将投标方在利润上的基本目标及招标方所提出的对项目目标的要求作为必须满足的约束来处理,并将最大化投标方所获利润、项目质量等级、安全性能、环境性能,最小化投标方工程成本、项目所需时间作为模型目标函数。【结果】通过对每个目标函数引入分段线性满意度函数,建立了模糊多目标规划模型,并采用加权求和法进行求解。文中给出了具体实例以详细说明建模及求解的过程。【结论】模糊多目标规划技术可以为制定最优竞标方案提供有力工具。
     

混合整数拟分离的向量值优化的可分化理论

在由相互作用的子系统构成的大规模系统的优化中,许多分层和不分层的分化方法已经提出来.除了一些例外,所有这些方法的性质基本上是启发式的.最近的研究考虑的是一系列称为拟分离的优化问题min s,l f(0)(s)+N∑i=l f(ι)(s,l(ι)),s.t.g(0)(s)≤0,g(i)(s,l(i))≤0,i=1,…,N...     

基于约束优化的混合径向基函数响应面方法

[目的]为更好地求解昂贵黑箱函数优化问题.[方法]在响应面约束优化算法的基础上,采用由薄板样条径向基函数模型和三次径向基函数模型的组合得到的混合模型作为新响应面模型对黑箱函数进行逼近,并且在优化过程中自适应选择混合模型的权重因子.[结果]得到了混合径向基函数响应面算法.[结论]在34个常用检验问题上得到的算法数值实验结果表明所提出的算法优于原有的响应面约束优化算法、OPUS算法和SAMSO算法.     

基于对抗生成网络的人脸照片去网纹技术

【目的】研究修复带网纹遮挡的人脸照片,以有助于提高后续的人脸验证的准确性。【方法】基于深度学习的模型(针对修复网纹遮挡的人脸照片)在训练时都要求输入对应的网纹数据,但是在实际应用中要获得对应的网纹数据却是非常困难的。为了避免使用对应的网纹数据对人脸图像进行有效的修复,提出了分离对抗生成网络。该网络利用网纹遮挡的人脸照片与干净的人脸照片做像素差生成残差网纹,利用1个分离网络和3个判别网络进行图像修复。【结果】实验结果表明所提出的方法对于消除人脸图像中网纹遮挡有效。【结论】针对带网纹结构遮挡的人脸图像,在对应网纹数据缺失的情况下,通过分离对抗生成网络,依然可以取得很好的图像修复效果。     

增广拉格朗日函数的两种可分化方法之比较

可分方法用于将一个复杂的大规模优化问题分解成各个子问题进行求解.增广拉格朗日松弛方法的主要缺点是由其引入的二次项是不能分离的.为了处理这种增广拉格朗日函数的不可分离性,可将辅助问题原理方法或分块坐标下降方法应用于增广拉格朗日松弛方法.与已有文献中对带有约束条件x-x=0的优化问题进行这两种可分方法的比较不同,本文对带有更一般的约束条件--线性约束z=Ax的优化问题进行这两种可分化方法的比较;最后给出的两个算例证实了本文的理论分析结果--在处理不可分离的增广拉格朗日函数的时候,在一定条件下,分块坐标下降法往往比辅助问题原则法更快得到最优值.     

一种求解混合离散优化问题的禁忌微粒群算法

微粒群优化(PSO)算法主要用于求解全局连续变量优化问题.利用罚函数处理离散变量,将混合离散优化问题min f(x),s.t.gk(x)≤0,k=1,2,…,l,xLi≤xi≤xUi,i=1,2,…,m,xm+j ∈Dj,Dj=(dj,1,dj,2,…,dj,qj),j=1,2,…,n转化为连续变量优化问题min F(...     

二次罚函数的可分化方法

可分方法用于将一个复杂的大规模优化问题分解成各个子问题进行求解。本文对可分优化问题给出两种可分方法,即分别将辅助问题原理(APP)方法和分块协调下降(BCD)方法应用于二次罚函数方法(QPM),并提出相应的QPM+APP算法和QPM+BCD算法,使得在求解可分优化问题时仅需要修正罚因子。最后给出了两个算例,通过与文献[1]中的ALR+APP和ALR+BCD算法作比较来求解,所得的计算结果说明本文给出的两种算法是具有有效性的。