一类大规模不可分系统的分解算法

讨论了一类大规模不可分系统的优化问题。提出了一种3级递阶优化算法。该算法首先把原问题转化为可分的参数优化问题，然后再从参数优化问题的解集中挑出原问题的最优解。建立了算法的理论基础，证明了算法的收敛性。对3个例子的仿真结果表明算法是有效的。     

基于递阶优化算法的一类两层规划问题的解法

提出一种基于分解协调的两级递阶结构优化算法来求解两层规划问题。通过设计解耦变量,两层规划问题被分解成若干相互独立的易于在结构的第一级求解的子问题。而结构的第二级是调整解耦变量使各子问题的解得以改善。算法以一种迭代的方式使第一级求得的子问题的解不断协调,最终达到两层规划的解。算例表明该算法是可行且有效的     

基于改进迭代学习的参数不确定卫星姿态控制

针对卫星运行时存在的诸如在轨组装升级后的卫星转动惯量变化较大且难以确定等问题,提出一种基于改进预测迭代学习控制的姿态敏捷机动控制方法.首先,以改进递阶饱和控制作为反馈控制器,实现原系统的稳定.其次,加入改进预测迭代学习控制作为前馈控制器,提高系统动态性能、鲁棒性与敏捷性.然后,采用基于混合执行机构的零运动操纵律提供高精...     

一种大规模数据库的组合优化决策树算法

提出了一种适合于大规模高维数据库的组合优化决策树算法。相比于传统的类似算法,该算法从数据的离散化,降维,属性选择三方面进行改进,对决策树建立过程中不适应大规模高维数据库的主要环节进行了优化,有效解决了处理大规模高维数据库问题的效率和精度之间的矛盾。仿真试验表明,该算法在大大减少了计算代价的同时提高了决策树的分类精度。     

具有多值映射的两级优化问题的广义算法研究

两级优化问题是一种非凸非光滑问题，绝大多数问题的求解都是建立在下层有唯一解的基础之上的。而本文针对多值映射，即下层非唯一解的情形，利用隐函数理论，将两级优化问题转化为带有隐函数的非光滑问题，提出求解这类问题的广义算法框架，并证明其收敛性，最后通过实例验证该方法的实用性．     

不可分动态离散系统的两级最优控制算法

讨论了不可分动态系统的最优控制问题 .提出了一种两级最优控制算法 .该算法首先把不可分问题转化为多目标最优控制问题 ,并用加权 Lagrangian公式产生非劣解 ,然后从非劣解集中挑出最优解 .建立了算法的理论基础 ,证明了算法的收敛性 .对两个例子的仿真结果表明算法是有效的 .     

求解大规模优化问题的改进鲸鱼优化算法

提出一种基于非线性收敛因子的改进鲸鱼优化算法(简记为IWOA)用于求解大规模复杂优化问题.为算法全局搜索奠定基础,在搜索空间中利用对立学习策略进行初始化鲸鱼个体位置;设计一种随进化迭代次数非线性变化的收敛因子更新公式以协调WOA算法的探索和开发能力;对当前最优鲸鱼个体执行多样性变异操作以减少算法陷入局部最优的概率.选取15个大规模(200维、500维和1000维)标准测试函数进行数值实验,结果表明,IWOA在求解精度和收敛速度方面明显优于其他对比算法.     

基于递阶遗传算法的一类多旅行商问题优化

针对最小化单个旅行商路程的多旅行商问题,提出了一种递阶遗传算法和矩阵解码方法。该算法根据问题的特点,采用一种递阶编码方案,此编码与多旅行商问题一一对应。用递阶遗传算法优化多旅行商问题不需设计专门的遗传算子,操作简单,并且解码方法适于求解距离对称和距离非对称的多旅行商问题。计算结果表明,递阶遗传算法是有效的,能适用于优化多旅行商问题。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

求解大规模优化问题的改进狼群算法

针对狼群算法(wolf pack algorithm,WPA)求解大规模问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出了一种改进的狼群算法(improved wolf pack algorithm,IWPA).采用深度神经网络进行初始化狼群个体提高种群多样性;借助遗传算法挑选首狼提高算法寻优能力;设计距离优化因子以协同狼群算法个体的探索和开发能力;构建尺度系数改进围捕行为避免算法陷入局部最优,减少运行时间.选取18个大规模(100维,200维,500维和1000维)标准测试函数进行性能对比,结果表明,IWPA算法在求解精度和收敛速度上优于其他对比算法.     

基于Hopfield网络的不可分稳态大系统递阶优化控制

研究了整体目标函数关于各子系统具有不可加形式的大系统稳态优化控制问题 ,针对利用多目标优化技术把不可分问题转化为可分问题时采用的迭代策略使得计算较慢的问题 ,提出了具有递阶结构的基于 IPM的 Hopfield优化网络 ,并证明了该网络是渐进稳定的 ,其平衡点为原问题的最优点 .仿真表明 ,这是解决不可分稳态大系统优化问题的有效途径.     

求解一类非线性优化问题的新算法

给出了无约束问题的一种新方法——平面上的黄金分割法,这是一种直接解法,该方法是一维搜索中的0.618法在平面上的推广,无需计算函数的导数,仅需计算函数值既可.此外,本法克服了以往直接解法所共有的要求大量计算机内存的缺点,所采用的迭代方法每次只需要处理一个矩形的数字信息,因而仅需占用极少的计算机内存,并且并不因此而降低计算效率,其计算速度可与需要计算导数的共轭梯度法相比.     

两个双目标竞争选址问题模型

研究了多目标竞争选址问题,建立了市场份额最大、费用最小和利润最大、利润率也最大的两类双目标竞争选址模型.探讨了模型的性质与相互关系,并利用多目标优化技术将这两类双目标模型转化为同一类型的单目标参数整数规划问题求解,给出有效解集的精确求解方法和近似求解方法,并通过数值例子说明求解方法.     

一类二层线性规划的对偶逼近法

首先讨论了由下层的最优值函数作为响应反馈到上层的一类二层线性规划的有关对偶问题,然后给出了求解这类二层规划的一个对偶逼近法.     

Solving and Applying a Class of Block diagonal Structured Large Linear Programming

１ＩｎｔｒｏｄｕｃｔｉｏｎＳｉｎｃｅＧ．Ｂ．Ｄａｎｔｚｉｎｇｐｒｅｓｅｎｔｅｄｔｈｅｓｉｍｐｌｅｘｍｅｔｈｏｄｉｎ１９７４,ｔｈｅｔｈｅｏｒｙｏｆｌｉｅａｒｐｒｏ－ｇｒａｍｍｉｎｇｈａｓｂｅｅｎｍｏｒｅａｎｄｍｏｒｅｍａｔｕｒｅ．Ｈｏｗｅｖｅｒｓｉｎ...     

求解一类组合优化问题的混沌搜索法

把混沌引入各种传统的优化计算模型中以避免系统落入局部最优陷阱 ,是一种行之有效的方法 .本文提出一种利用混沌搜索一类组合优化问题最优解的模型 ,并对其进行了理论分析和数值模拟 .与混沌神经网络模型相比 ,本模型避免了模型参数选择的难题 ,具有实现方便 ,寻优效果好的优点 ,为解决一类组合优化问题提供了新途径.     

求解动态优化问题的分叉PSO算法

近些年来,求解动态环境中的优化问题已经逐渐成为进化计算领域的一个新的研究热点。为了改善一般PSO算法求解这种动态优化问题的能力,现提出了一种采用分叉策略的多粒子群PSO算法。该算法能够利用一个较大的主粒子群不断搜索问题适值曲线上新的峰,而利用从主粒子群中分离出来的若干个较小的子粒子群去跟踪已经发现的峰的变化。通过对一组标准动态测试函数的实验,能够证明所提出的算法在动态环境中具有较强的鲁棒性和适应性。

Abstract：

Recently,there has been increased interest in evolutionary computation algorithms applied into dynamic environments since many real-world optimization problems are time-varying.Inspired by a forking mechanism,a new multi-swarm optimization algorithm （Forking PSO,FPSO） was proposed to enhance simple PSO’s search in dynamic landscape.In FPSO,a larger main swarm is continuously searching for new peaks and a number of smaller child swarm,divided from main swarm,are used for tracking the achieved peaks over time.Experimental study over a benchmark dynamic problem suggests that the proposed algorithm has much stronger robustness and adaptability in dynamic environments.     

求解双层规划模型的粒子群优化算法

首先对粒子群优化算法作了改进,然后提出采用改进的粒子群优化算法并借助分层迭代的思想来求解双层规划模型,进而提出并描述了求解双层规划模型的一种通用的有效算法.最后,通过实验研究和对比分析验证了文中算法的有效性.     

MINLP问题全局优化算法的研究

提出了一种求解混合整数非线性规划MINLP问题的混合优化算法GASimplex，由遗传算法模块GAsolver和单纯形算法模块SimplexSolver两部分组成。该算法首先确定MINLP模型的整数变量和复杂变量，使得固定这些变量后可以将原问题转化为一线性规划子问题，在此基础上应用GASolver实现对整数变量和复杂变量的优化，而其适应函数则可以通过求解编码对应的线性规划子问题SimplexSolver来得到。这样，一方面由于在遗传算法中引入了局部搜索过程，极大增加了GASimplex整体收敛速度，而且对于非凸的MINLP问题，可以在理论上保证得到解的全局最优性；另一方面，模型约束条件是通过SimplexSolver求解得到，故约束条件的存在—般不会增加遗传算法处理的复杂度，可有效的处理约束的MINLP问题。通过对一MINLP模型仿真分析，证明该算法不仅具有很决的收敛速度，而且能得到全局的次最优解，更适合处理一类复杂的MINLP问题。