非线性规划的一种全局收敛算法

定义了一种偏离Ｋｕｈｎ－Ｔｕｃｋｅｒ三元点的度量函数的基础上，，对一般连续可微非线性规划提出了一个新的全局收敛算法。利用这个算法在获得问题最优解的同时，还得到了与最优解相应的Ｌａｇｒａｎｇｅ乘子。把这种算法应用于二次规划，得到了二次规划的一种的迭代法。最后给出了一个计算实例。     

一种由种群发育约束个体变异的鲁棒遗传算法

提出用种群发育停滞代数对变异概率和变异位数进行动态控制的改进遗传算法。该算法把种群没有更优个体产生看作种群发育停滞，将种群发育停滞代数定义为当前繁殖代序号与已得最优解的繁殖代序号之差；变异参数(包括变异概率、变异位数)初值与标准遗传算法(SGA)相近；随着发育停滞代数的增长，增大变异参数；当有更优个体产生时，变异参数恢复到初值，种群发育停滞代数置0；随种群发育停滞代数再次增长，变异参数再次增大，如此反复，直至算法结束。该算法在保持局部搜索能力的同时，提高了全局搜索能力及速度。用两个多极值函数(Camel函数、Shaffer’s F6函数)对该算法进行测试，结果表明，与SGA及自适应遗传算法相比，该方法以相当强的鲁棒性收敛到全局最优解，且具有较高的收敛速度。     

单目标机会约束规划逼近问题的稳定性分析

对机会约束规划逼近问题最优解集的上半收敛性进行了研究;在一定意义下,利用概率测度的收敛性,给出了逼近问题目标函数的连续收敛性,并通过上图收敛理论,得到了机会约束规划逼近问题的最优解集上半收敛于初始机会约束规划问题的最优解集.     

基于差分进化算法的收敛性分析

基于差分进化算法的基本原理,采用马尔可夫链分析了该算法的收敛性,论证了该算法能以概率1收敛到全局最优解.利用该算法对3个经典函数进行了数值仿真,结果表明,该算法能够快而有效地收敛到问题的最优解,说明了文章所得结论的正确性.     

解非线性的最小二乘法拟合曲线的数值延拓法

非线性函数的最小二乘法拟合曲线需要求解一个非线性方程组，根据解非线性方程组的全局收敛方法，利用数值延拓法研究了非线性函数的最小二乘法拟合曲线的计算方法，并给出其算法为全局收敛的充分条件。     

基于正交设计法的遗传算法

将正交设计法和遗传算法相结合，既保留了遗传算法本身的优点，又可以较好地解决遗传算法在达到全局最优解前收敛慢的问题。该算法能有效地求解函数优化问题。     

遗传算法收敛性分析

分析了遗传算法马尔可夫链的性质,并进一步证明了在基于保留最佳个体策略时遗传算法依概率收敛到全局最优解,特别利用鞅收敛定理给出非保留最佳个体策略遗传算法强收敛的充分条件．     

基于随机收敛因子和差分变异的改进灰狼优化算法

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子a随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。选取6个标准测试函数进行仿真实验。结果表明:在相同的适应度函数评价次数条件下,此算法在求解精度和收敛速度上均优于其他算法。     

一类连续型随机数学模型的参数估计

讨论一类连续型随机数学模型的参数估计问题，分析解过程的概率特性，构造解过程的密度函数，借助极大似然法给出了未知参数的估计公式，证明了参数估计依概率1收敛到参数的真值。     

基于改进蚁群算法的城市公交线网规划方法研究

城市公交线网规划是一个复杂的非线性组合优化问题,目前对于该问题的求解仍存在收敛性和计算速度问题。为解决此问题,提出了一种通过动态调整信息素挥发因子来控制其正反馈过程的改进蚁群算法,提高了网络规划过程中得到全局最优解的概率和收敛速度。算例结果表明：规划结果符合实际,并在相同参数下,改进蚁群算法的迭代次数减少约一半,充分验证了该方法的可行性和有效性。     

遗传算法的早熟问题探究

对遗传算法中的早熟问题进行了分析与探讨，针对遗传算法的模式定理提出了模式系数的概念，用以表征模式单调化的程度，并通过模式系数影响变异概率，避免算法收敛时因模式单调化而造成算法早熟，仿真计算表明，该方法能以较大的概率收敛于全局最优解。     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

非精确搜索一维全局最优化方法

研究一维全局最优化问题的确定性求解方法。运用逐次建立目标函数的线性下界函数,将不含全局最优解的子区域删除,并基于非精确搜索结合下降算法而得出非精确搜索一维全局最优化方法,使计算量减少且使迭代收敛加快。迭代结束时该算法得到一维全局最优化问题的ε－全局最优解。该方法具有有限收敛性且不需精确的局部优化过程。文中的数值实例表明该算法的有效性。     

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.     

一种基于监工机制的改进蚁群算法

针对基本蚁群算法存在收敛速度慢、易陷入局部最优解等问题,受监工机制的启发,提出了监工蚁群算法,以监工距离作为评价标准,自适应地选择优良的蚂蚁更新信息素,提高了每次迭代中解的质量,指导之后的蚂蚁进行更好的学习。该算法选用优化的全局更新策略,使得信息素在进化前期增加较多,在后期增加较少;同时,自适应地将信息素的值限定在一定范围内,防止某条路径被选择的概率过大或者过小。该算法还添加了发散和收敛机制,当算法陷入局部最优解时,增加探索的概率,有助于跳出局部最优解。仿真结果表明,监工蚁群算法具有较高的全局寻优能力,减少了迭代次数,增强了算法的稳定性。     

一种QoS感知的服务全局优化选择算法

将服务选择问题建模为带QoS约束的非线性最优化问题,并提出了一种参数自适应的改进遗传算法(IPAGA).构造了基于双曲正切函数的非线性参数变换函数,当迭代次数或种群多样性程度增加时,使遗传算法的交叉和变异概率相应地非线性递减,以保证算法的全局收敛性和收敛速度.实验结果表明:算法能够快速搜索出全局近似最优解,具有很高的有效性和可行性.     

一种求解排样问题的遗传算法收敛性分析

遗传算法已经被广泛用于求解排样问题,但是在算法不收敛的情况下,很难有效地找到满意解.因此,在用遗传算法求解排样问题时,有必要研究其算法的收敛性.对求解圆形件排样问题的混合遗传算法,采用概率论的方法,证明了该遗传算法理论上完全收敛于全局最优解.该结论可以进一步应用到其它形状零件的排样问题,并给出了遗传算法求解排样问题的收敛性条件.     

基于蚁群算法的多QoS约束海量数据网格任务调度

针对海量数据计算网格任务调度问题,提出一种多Qos约束网格任务调度蚁群改进算法,优先考虑与数据存储网格结点间数据传输效率高、完成任务概率高的网格计算资源,通过调整蚁群算法中信息素挥发因子和传输导向因子的更新方法来提高算法的收敛速度和全局最优解搜索能力,从而达到调度目标最优.仿真实验结果表明,该算法与QoS-Min-min和QoS-Sufferage等同类算法相比,具有较好的综合性能,特别是在计算数据文件较大时,该算法在收敛速度和全局最优解搜索能力方面有明显的提高.     

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.     

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法，它不仅能提高简单遗传算法的收敛速度，而且能有效地保证种群的多样性，并在全局范围内搜索解空间，得到最优解。将算法应用于多峰值函数的优化，仿真表明了该算法的有效性和效率性。