一种新的加权目标函数下的神经网络训练方法

采用罚函数算法的思想构造一个新的加权目标函数,可以用一个无约束优化过程实现约束条件下的参数寻优·基于此种新的加权目标函数,采用遗传算法训练了神经网络控制器参数·仿真表明,该方法比采用Clarke目标函数及其改进方案使系统具有更好的输出响应性能,更具有工程实用性·     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

一种新的布尔函数求补算法

研究了SOP(积的和型)布尔函数的求补算法,分析了已有的求补算法之间的深层联系,给出了否定树的概念.证明了单边求补算法、Sharp算法与德*摩根律是等效的、不相交的.Sharp算法是递归算法的一个特例.提出了以否定树为基础的解决SOP型函数求补运算的新算法.     

一种新的电力系统无功优化方法

提出了一种应用混沌优化理论求解电力系统无功优化的新方法．该方法以有功网损最小作为目标函数，在控制变量的约束范围内求取相应最小目标函数的最优值．用类似载波的方法将混沌变量引入到优化变量中．利用混沌运动的遍历性和貌似随机性的特点直接对目标函数寻优．并以IEEE14节点、30节点、57节点和118节点系统为例进行计算和分析．计算结果表明，该方法具有较好的全局收敛性，并且结构简单，使用方便，是有效解决电力系统无功优化问题的一种新途径．     

一种新的自适应惩罚函数在遗传算法中的应用

惩罚函数是遗传算法中解决非线性约束最优化问题最常用的方法之一.但传统的惩罚函数运用到遗传算法中往往难以控制惩罚因子,因此本文引进了一种结构简单、通用性强的新自适应惩罚函数,并证明了其收敛性.随后构建了基于新自适应惩罚函数的遗传算法,使得种群能快速进入可行域,并且提高了遗传算法的局部搜索能力.理论分析及仿真结果表明该算法具有参数少、稳定性强、收敛快等优点.     

一种新的修正共轭梯度算法

给出求解无约束优化问题的一个新的共轭梯度算法,证明该算法在强Wolfe线搜索下具有全局收敛性和良好的数值表现.     

LP问题技术系数优化的一种方法

在线性规划的灵敏度分析中，指出了技术系数A在什么范围内变化最优解不变，但对A的变化到底会引起目标函数值作怎样的变化却缺乏研究，本文结合影子价格的技术意义，给出了不改变线性规则（LP）问题最优解的结构，通过调整特定的技术系数而改善目标函数值的方法。     

一种基于目标函数的局部离群点检测方法

针对传统的基于密度的局部离群点检测算法对原始数据集没有进行预处理导致该算法在面对未知数据集时检测效果不理想,又由于其需要计算每一个数据点的离群因子,在数据量过多时,计算量大大增加的问题,通过对局部离群点检测算法的分析,提出了一种基于目标函数的局部离群点检测方法FOLOF(FCM objective function-based LOF).首先,使用肘部法则确定数据集的最佳聚类个数;然后,通过FCM的目标函数对数据集进行剪枝,得到离群点候选集;最后,利用加权局部离群因子检测算法计算候选集中每个点的离群程度.利用该方法在人工数据集和UCI数据集上进行了相关实验,并与其他相关方法进行了对比,结果显示,该算法能够提高离群点检测精度,减少计算量,有效提高离群点检测性能.     

多目标优化最优解模糊评价方法的改进

在分析多目标优化最优解模糊评价中最大贴近度法缺陷的基础上,提出了一种基于准理想解的改进方法。     

求解多目标最优化问题的功效系数法

本文在E.C.Harrington功效系数法的基础上,提出一种改进的求解多目标最优化问题的功效系数法。文中运用“最小算子”构造总功效系数,使得线性多目标问题在求解中仍不失其线性,并转挟成一个单目标的线性规划问题。文中还给出了解的有效性证明和算例。     

优化问题与线性逼近解法

本概要地介绍了运筹学的重要分支——最优化的研究背景及作为基础方法的线性逼近解法,中首先介绍线性规划及名的G．B．Dantzig单纯形方法,随后介绍了基于线性规划解法的线性逼近即Frank—wolfe方法以及基于投影概念的求解带非线性等式与不等式约束条件的优化问题的广义投影算法．只要掌握了线性规划的建模及解法,就能应用于许多实际问题．对于大型问题,目前国内已有相应的解题软件．     

多极值全局最优化问题的辅助函数法(英)

对于多极值全局最优化问题的目标函数构造了辅助函数并给出了基于辅助函数的下降算法、数值计算结果验证了该算法的有效性。     

蚁群算法在一般函数优化求解中的应用

蚁群算法是一种新型的模拟仿生算法.本文通过在一般函数优化求解中的应用,说明该算法与启发式因子相结合可有效地避开陷入局部最优的弊病.显示了蚁群算法在连续空间优化问题中的应用前景.     

一种求解一类拟可微函数极小化问题的算法

本文对一类形如F(x)=g(x, (?)(x),…,(?)(x))+h(x)的拟可微函数(在Demyanov和Rubinov意义下),给出了一种优化算法,并证明了算法的收敛性。这里g,φ_(ij)分别为R~(m+n)和R~n上的连续可微函数,h(x)为R~n上的凸函数。     

基于目标函数的FPGA宏模块布局算法设计

在文献[1-3]规划方法的基础上引入了FPGA宏模块的布局,考虑到FPGA宏模块布局问题的特殊性,笔者通过合理的目标函数和处理方法解决了FPGA宏模块布局问题,并提出来了一种描述FGPA宏模块内部布线资源的方法.结果表明：采用笔者提出的FPGA宏模块布局方法,其FPGA规模及所需通道高度比不考虑宏模块内部布线资源的情况节省资源.     

用于多维函数优化的蚁群算法

在借鉴献[1]基本思想的基础上，改进了蚁群算法搜索策略，该策略能提高搜索过程的效率以及搜索状态的多样性和随机性，为蚁群算法应用于实际优化问题提供了一条可行途径，数值算例结果表明本的搜索策略能较好地找到近似全局最优解，是一种有效的近似方法。     

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。     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质;用遗传算法计算拟下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性．数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种可行的解决函数优化问题的混合算法．     

基于精确目标罚参数的遗传算法

结合一种精确目标罚函数和遗传算法,提出新的算法;算法能将约束优化问题转化为无约束优化问题,同时具有遗传算法的全局搜索能力,避免陷入局部收敛;给出并讨论了精确罚定理,实验结果表明了算法的有效性.