求解奇异非线性方程组的粒子群优化算法

奇异非线性方程组是一类十分重要也比较困难的问题,基于粒子群优化算法提出了一种求解奇异非线性方程组的新方法.先把奇异非线性方程组转化为无约束优化问题,然后与人工智能算法相结合,利用标准粒子群优化算法求解.此算法不但不受方程组的连续性、光滑性的限制,而且避免了大量的求导计算,得到了极为精确的数值解.数值仿真结果显示了算法的有效性和可行性.该方法为求解奇异非线性方程组提供了一种有效、可行的新算法,也扩大了粒子群算法的应用领域.     

求解无约束极大极小问题的光滑化不精确牛顿算法

提出了求解无约束极大极小问题的光滑化不精确牛顿算法.该算法利用光滑凝聚函数近似不可微的极大值函数,从而得到目标函数的光滑近似,进而再利用不精确牛顿法求解光滑化后的可微的无约束优化问题.在一定的假设条件下,算法具有全局收敛性,初步的数值实验表明,算法是有效的.     

基于正弦余弦算法的非线性方程组求根

给出了一种求解非线性方程组的方法,通过把非线性方程组转化为一个无约束优化,采用正弦余弦算法求解。针对唯一根的非线性方程组,该方法能够收敛到其唯一根;针对具有多个根的非线性方程组,该方法能够找到尽可能多的根。该方法的优点是无需计算非线性方程组的雅克比矩阵,适用范围广。     

一种求解分类问题的优化算法

给出了一类线性分类算法的数学描述,在求解分类问题的平分最近点法与最大间隔法的基础上,将线性分类问题转化为一类无约束不可微优化问题。设计了一种求解该问题的不可微优化算法,并证明了算法的收敛性。初步的数值例子表明该算法是有效的,且具有简单实用的特点。     

基于自适应调节极大熵的孪生支持向量回归机

孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.     

求解非线性方程组的一种新方法及应用

针对非线性方程组求解问题提出一种变异量子粒子群算法,该算法首先把非线性方程组的求解转化为约束优化问题,然后根据可行性规则,引入约束违反度函数,结合变异算子,不断地寻找更优可行解,逐渐达到搜索全局最优解。数值实验表明,所设计变异量子粒子群算法是可行的、有效的,是求解非线性组的一种成功算法。     

双种群进化策略解奇异非线性方程组

鉴于传统优化算法在求解奇异非线性方程组中存在受初值选取是否合适的影响、收敛速度慢且容易陷入局部最优解等缺点,提出一种改进双种群进化策略求解奇异非线性方程组算法.首先把奇异非线性方程组转化为无约束优化问题,再求解无约束优化.该算法克服了传统算法不足,避免了大量的求导计算,算法收敛速度快、求解精度高、稳定性强.     

光滑阻尼Gauss-Newton法解非线性不等式组

利用等价转化把非线性不等式组转化为非线性方程组来加以求解,通过引进光滑参数构造一个新的光滑函数来逼近方程组问题中的目标函数,给出了相应的求解非线性方程组的光滑阻尼Gauss-Newton算法,并在一定条件下证明了该算法的整体收敛性.     

解非线性不等式组的L-M方法

文章研究了非线性不等式组的求解问题, 利用等价转化把非线性不等式组转化为非线性方程组来加以求解, 通过引进光滑参数构造了一个新的光滑函数来逼近方程组问题中的目标函数, 利用构造的光滑函数给出了相应的求解非线性方程组的Levenberg-Marquardt算法, 并在一定的条件下证明了该算法的整体收敛性.     

基于凝聚函数的混合属性数据聚类算法

借助于近似极大值函数的凝聚函数,将传统数据聚类问题转化为无约束优化问题求解．首先利用一阶必要条件,推导出数值属性下数据聚共中心的计算格式;其次采用类属性分解方法,提出计算类属性数据对象之间距离的新方法,井在此基础上给出混合属性下数据聚类中心的计算格式和一个能处理数值型和分类型混合数据集的凝聚聚类算法;最后选取不同初始聚类中心,使用凝聚聚类算法对英语借词进行了聚类实验和分析．结果表明,凝聚聚类算法在计算效率和计算效果方面均优于模糊k-prototypes聚类算法．     

求解一类不可微优化问题极大熵微粒群混合算法

针对一类不可微优化问题,本文提出了一个新的算法—极大熵微粒群混合算法.首先利用极大熵方法把带约束的不可微优化问题转换成无约束的单目标最优化问题,然后利用微粒群算法对其进行求解.利用4个测试函数对其进行测试并于其它算法进行比较,计算结果表明,本文提出算法在求解的准确性和有效性方面均优于其它算法.     

一种求解带等式约束非线性规划问题全局最优解的方法

本文把罚函数法和一种求解无约束非线性规划问题的辅助函数法相结合,首先写出非线性规划问题的罚函数,从而把原问题转化成为一个无约束的非线性规划问题,然后再运用辅助函数法（GOM）来求解罚函数的全局最优解,从而求到原带等式约束的非线性规划问题的全局最优解．     

间接平差中非线性误差方程直接解

用非线性误差方程直接平差的方法，运用非线性规划中的算法，将非线性误差方程直接平差归结到非线性规划中无约束优化范畴。算法中采用使目标函数值下降的搜索方法，避免了将误差方程线性化造成的精度损失和求解法方程过程中的凑整误差造成的误差影响。     

带交易费的证券组合选择模型的一种化简求解方法

带交易费的最优证券组合选择问题可以表示为一类不可微非线性规划模型。为了求解这类模型,一些学者通过引进大量的辅助变量经过多次变换将其转换为一个线性规划问题。本文提出一种新的化简方法,一次变换即可将该类不可微非线性规划模型转化为一个线性规划模型,不仅简化了求解过程,而且还减少了最终的线性规划问题的变量个数。     

关于广义非线性互补问题

研究了广义非线性互补问题．将互补问题转化为一个无约束最优化问题，而最优化问题的全局最优解恰为广义非线性互补问题的解．给出了无约束最优化问题的平衡点是广义非线性互补问题的解的一个充分必要条件和一系列充分条件．文中结论推广了有关文献中的相应结论．     

约束极大极小问题的光滑化方法

基于Karush-Kuhn-Tucker最优性条件和Fischer-Burmeister非线性互补函数，建立了约束极大极小问题等价的非光滑无约束优化问题和等价的非光滑方程组．然后，利用光滑化方法求解这两个问题．     

量子行为粒子群优化算法在几何约束问题上的应用

几何约束问题可以等价为求解非线性方程组问题,同时也可以将几何约束问题转化为一个优化问题来求解.受经典粒子群优化算法和量子动力学启发,提出一种新的算法——量子行为粒子群优化算法(QPSO)来求解几何约束问题.在QPSO模型里,粒子的状态不再通过位置和速度来决定,而是通过一个波函数来确定.这种算法的主要优点就是可以在感兴趣的问题上保持种群的多样性.实验结果表明,该方法可以提高几何约束求解的效率和收敛性.     

最大熵原理在无约束优化方法中的应用

经研究，发现将最大熵原理与无约束优化方法相结合亦能达到约束优化公式化，简化优化的过程，使用罚函数法可将约束化优化问题变成无约束化问题，但原问题中的可微函数组成罚函数后有可能成为不可微问题，因而影响了再使用无约束优化方法中的诸多效的方法，如先使用最大熵原理找出原约束优化有关问题的等效Ｌａｇｒａｎｇｅ函数后，再构成罚函数即可保证是可微的了。     

二层线性规划问题的全局优化

在将二层线性规划问题转化为目标函数带有罚函数子项的非线性单级优化问题的基础上,提出了基于遗传算法求解该问题的全局优化方法,给出了应用实例。示例仿真表明,该算法是实用有效的。