求二次规划问题全局解的新加速方法

目的为求目标函数为一般二次函数的二次规划问题,提出一个新的加速算法。方法通过结合两个加速技巧,并将其置于分支定界算法框架下,给出一个新的全局优化算法。结果该方法可以有效地确定出不定二次规划问题的全局最优解。结论理论上证明了算法的收敛性,数值算例表明算法是有效可行的。     

基于仿射算法的确定性全局优化算法

针对传统区间算法求解全局优化问题耗时长、空间复杂度较高及收敛速度较慢的缺点,引入仿射算法及局部优化算法,给出了一种全局优化求解的仿射算法.由局部优化算法和各求解区间上待优化函数的仿射运算得到全局最优解的一个上界,再依据对各区间仿射运算的下界与全局最优解上界的比较来确定相应区间的去留,通过对不含全局最优解的子区间的删除来确定最优解所在的子区间,并最终找到全局最优解.数值实验表明,该算法相对于传统的区间优化算法有较高的收敛速度,且占用的系统资源较少.     

求解二次双层规划问题的全局最优解

针对现有的一些逼近算法在计算过程中有时得到的解为不可行解, 甚至远离真正全局最优解的问题, 给出一种解二次双层规划非孤立全局最优解的算法. 数值实例结果表明, 该算法行之有效.     

改进的混沌优化算法及其在函数优化中的应用

针对基本混沌优化算法在求解三维以上的多维函数时不易求得全局最优解的局限性,通过引入解向量的优选,提出了一种改进的混沌优化算法,主要思路是通过多次可行解向量的混沌优选,将可行解定位到最优解的附近,再用二次载波进行搜索找出多维函数的全局最优解.仿真计算表明:该算法对三维以上函数可以显著提高搜索精度,收敛性能好,容易找到全局最优解.     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

非线性规划问题的全局最优解的充要条件及其算法模型

给出了非线性规划问题(NP)的全局最优解的充分必要条件,建立了求该问题全局最优解的一个算法模型.     

求解一般D.C.规划的全局最优解

给出一种求解一般D.C.规划非孤立全局最优解的算法. 该算法克服了目前一些逼近算法在计算过程中有时得到的解为不可行解、 甚至远离真正全局最优解的问题. 数值结果表明了算法的有效性.     

HCM聚类算法的改进-MHCM聚类算法

硬聚类算法HCM的求解结果通常是局部最优解,本文将遗传算法应用于HCM聚类算法,同时考虑到该算法实现时的效率和开销,最终提出了一种新的算法MHCM聚类算法。测试数据实验表明采用MHCM聚类算法的结果90%以上能够取得全局最优解,远远超出了采用HCM算法所取得全局最优解的次数,证明了本算法的可推广性。     

基于改进稳态遗传算法的桥梁有限元模型修正

由于测试误差和结构参数的不确定性,有限元模型修正的局部最优解和全局最优解均有可能是真实解。为了同时获取模型修正的局部最优解和全局最优解,文章提出一种改进的稳态遗传算法(ISSGA)。该算法通过一种双角度算子来判定目标函数的可行解,并通过定义可行解的伴侣解不断优化解的位置,实现目标函数局部最优和全局最优解的寻找。通过两个测试函数和一座混凝土箱梁桥模型修正案例,验证了ISSGA算法的精度、稳定性和计算效率,并明确了算法中各个参数的取值依据。结果表明:ISSGA可同时获得目标函数的局部和全局最优解;双角度算子可有效避免局部最优解的遗漏;ISSGA算法为获得模型修正合理解提供了可能。     

求广义几何规划全局解的近似算法

对广泛应用于工程设计、非线性系统鲁棒稳定性分析中的广义几何规划问题(GGP)提出一线性化求解方法.使用指数变换并利用分段线性化技术转变指数项为一些带绝对值项的和,再将绝对值项线性化,最终将原问题转化为一个容易求解的线性规划问题.数值实验表明本文方法是可行的,能近似地求得(GGP)的全局最优解.     

全局混沌蝙蝠优化算法

为提高蝙蝠算法进行特征选择的正确率,提出全局混沌蝙蝠优化算法(GCBA).首先,GCBA采用混沌映射方法使种群的初始化能够遍历整个解空间,获取蝙蝠初始的最优位置,使其具有更加丰富的种群,解决了初始化种群随机性的问题.同时,GCBA引入当前粒子的最优解和当前种群的最优解跳出局部最优解,可有效避免算法早熟,有利于提高算法的全局搜索能力.蝙蝠算法(BA)、粒子群算法(PSO)与遗传算法(GA)在10个数据集上的测试结果表明,所提算法具有更高的分类精度和更强的跳出局部最优的能力.     

一种改进CRS算法的收敛性分析

CRS算法及改进的CRS算法都不具有收敛性,据此,提出一种改进CRS2全局收敛算法,该算法在产生新的试探点上,利用了随机搜索技术代替直接搜索技术,并对给出的算法进行了收敛性分析,证明了该算法依概率1收敛．     

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力.该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性.利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证.研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求.     

基于遗传优化算法的二维漏磁缺陷重构

信号逆问题，即从测量信号中恢复出缺陷轮廓及其参数，是漏磁无损评估中的一个重要课题。提出了一种基于遗传算法的逆算法，用于从漏磁信号中重构二维缺陷。在该算法中，径向基函数（RBF）神经网络用作前向模型，遗传算法用于求解逆问题中的优化问题，其优点是能够避免基于梯度下降法的迭代逆算法中可能遇到的局部最小问题，并能得到逆问题的全局最优解。实验结果验证了所提出的逆算法的有效性。     

基于全局最优的生产全过程分布式预测控制

改进了基于纳什最优的分布式预测控制算法,提出了一种基于全局最优的分布式预测控制．在优化求解时考虑了各子过程间的协调．结合线性系统的动态矩阵控制(DMC)分析了算法的迭代收敛性,并与基于纳什优化的分布式预测控制算法进行了比较．仿真结果表明．算法迭代收敛于全局最优解,而不是纳什优化解。     

基于蚁群算法的多目标优化问题研究

为保持所求得的多目标优化问题Pareto最优解的多样性,文章提出了一种新的蚁群算法。选择策略采用多信息素权重,信息素更新结合了局部信息素更新与全局信息素更新。其中,全局信息素更新采用了两个最好解。此外,通过在外部设置外部集来存储Pareto解,并将改进的算法应用在双目标TSP上。最后进行了仿真实验,结果表明新方法比NSGA-II和SPEA2更有效。     

基于模糊系统聚类学习的自适应控制算法

在自适应控制最小方差自校正控制器设计中，当被控对象的数学模型未知时，可采用模糊系统代替实际系统。提出了一种新的模糊系统的聚类学习算法，根据初始聚类中心的选取原则，可以使最终获得的聚类结果是全局近优解。该方法只需计算一遍样本间的广义距离，即可完成初步的聚类，通过迭代运算可以使聚类结果得到进一步优化。仿真结果证明了自适应控制器的控制效果。     

基于混合蜂群算法的柔性作业车间调度优化

针对柔性作业车间调度求解问题,提出一种新型混合蜂群智能优化算法.该算法采用独特的编码方式和位置更新策略来避免不合法解的产生,在蜂群算法的基础上增加了有利于局部搜索的混沌算子提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了该算法的有效性和优越性.     

动态投入产出最优化控制模型的微粒群算法

对于动态投入产出最优控制模型的以往求解方法,只能求出其局部最优解,而不能求出全局最优解.提出了一个新的动态投入产出最优控制模型,给出一个新的算法-微粒群算法,该算法计算结构简单,具有较强的全局寻优能力、收敛速度快和较高的计算精度.数值实验表明:提出算法的计算结果优于用传统的最优化方法计算的结果,同时也验证了微粒群算法对求解动态投入产出最优控制模型的有效性.     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。