基于梯度法的高效全局优化算法

用极大似然估计法和交替方向法估计Kriging模型参数, 提出一种基于有效集共轭梯度法的Kriging模型参数优化算法, 并在此基础上改进了高效全局优化算法. 结果表明, 利用改进的全局优化算法可解决高效全局优化算法的过早收敛问题.     

求解大规模非线性方程组的一种无导数共轭梯度法

提出求解大规模非线性方程组的一种无导数共轭梯度法．算法的优点是计算中完全不需要用到方程组的雅可比矩阵．在适当的条件下,证明算法具有全局收敛性．     

一种共轭梯度算法的全局收敛性

本文提出了一种计算βk的新公式，即提出了一种新的共轭梯度法，证明了一种非精确线性搜索能够保证这种算法的下降性和全局收敛性．     

PR共轭梯度算法的全局收敛性

给出一种新的Armijo型的线搜索,在该搜索下PR共轭梯度算法能保证无约束最优化问题的全局收敛性。     

一种全局优化的两阶段算法

为了提高算法的有效性,利用梯度算法和粒子群算法独立的运行机制,采用驱赶技术和重新初始化部分群体的技术,提出了一种基于梯度下降法和粒子群算法的两阶段优化算法,并对新算法进行了理论分析和数值仿真.数值结果显示新算法比单纯梯度算法有更好的全局优化能力,比单纯粒子群算法有更快的收敛速度和更高的精度.新算法求解质量更高,运行更稳定.     

全局优化的非单调谱共轭梯度算法

在非单调条件下给出一系列的谱共轭梯度算法, 并根据不同的表达形式, 给出了收敛性分析. 结果表明, 该算法在迭代次数上明显优于其他算法.     

一个关于Lipschitz函数的全局优化算法

研究了关于Lipschitz函数的全局优化算法,把辐射状细分的剖分技术和二分法运用到单纯形算法中,充分利用当前计算所得到的最优信息,结合分支定界单纯形的优势,改进了单纯形算法,分析了算法的可行性,并给出了算法的收敛性证明。     

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.     

一种结合混沌映射与梯度法的优化算法

将梯度法与混沌映射相结合,提出了一种混沌梯度算法(CGA),该算法具有搜索全局最优解的能力。     

基于多目标优化方法的一类k-Means自适应算法

【目的】针对k-Means聚类算法及MinMax k-Means聚类算法需要人为提前给定聚类数量而导致数据划分准确率偏低以及MinMax k-Means算法聚类效果受类簇边缘点影响较大等不足提出解决方案。【方法】将k-Means和MinMax k-Means算法的目标函数相结合,建立多目标优化模型,提出基于多目标优化方法的k-Means算法。分析簇数异常情况下最小中心方差与最大簇内方差之间的关系。【结果】发现当分类簇数大于最优簇数时,最小中心方差小于最大簇内方差,据此提出了基于多目标优化方法的k-Means自适应算法。【结论】数值实验表明：提出的自适应算法在人工数据集和UCI标准数据集均具有较好的自适应性且聚类效果较优。     

对偶单纯形算法的改进

考虑问题(LP) (?)定义1设(?)(1)是(LP)的一组基,对应的基阵是B,对应的基解为(?),如果(LP)的检验数全部非正,即C_BB~-A-C≤0则称(1)式是问题(LP)的正则基,称X~0是(LP)的正则解。定义2如果线性规划问题(LP)的任意一个正则基所对应的非基变量的检验数都严格小于零,则称它的对偶问题是非退化。     

基于模拟退火算法的最优控制问题全局优化

参数化后的最优控制问题是一类高维非光滑非线性约束优化问题,传统的非线性规划算法求解时存在着收敛性差、局部收敛等问题。针对上述问题,该文采用多重参数化方法处理最优控制问题,非可微精确罚函数方法处理约束条件,引入了具有良好全局收敛性的模拟退火算法求解参数化后的最优控制问题。典型的时间最优和燃料最优控制问题的求解结果表明：模拟退火算法有着可靠的全局收敛性,优于遗传算法以及序列二次规划等经典优化算法。     

最速下降法和共轭梯度的混合算法及全局收敛

将最速下降法与共轭梯度法有机结合起来,构造出一种混合优化算法,并证明其全局收敛性.这种混合优化算法结合了共轭梯度法和最速下降法产生搜索方向,既提高了共轭梯度算法的收敛速度,又解决了目标函数的等值线是扁长椭球时,最速下降法下降缓慢的问题,具有收敛速度快、收敛范围大、适应面广等特点.文中的算法实例表明,混合算法与单纯的共轭梯度法相比,效果更优.     

油藏开发生产优化近似扰动梯度升级算法

油藏开发生产优化属于高维系统最优控制问题,求解其真实梯度异常困难。给出一种近似扰动梯度的一般式,证明此近似梯度恒为上山方向,且两种常用的无梯度算法SPSA与En Opt产生的近似梯度分别是该梯度的两种特殊形式;通过引入并优化三角阵进行近似扰动梯度升级,实现其对真实梯度的最优逼近。数值试验结果表明:该升级算法相比标准的SPSA算法优化效率提高了近1倍;在历史拟合基础上使用该算法进行了某实际油藏生产优化,所得注采控制方案降水增油预测效果显著、水驱波及效率明显改善,验证了该算法现场应用的可行性。     

一个改进的非线性单纯形算法

提出了非线性单纯形算法的修改算法．在原单纯形算法的基础上结合线性搜索算法；用线性搜索方向最优点代替原算法的反射点；修改后的单纯形算法能加快收敛速度．     

Armijo搜索下共轭梯度算法的全局收敛性

证明了只要 βk 不属于某一负区间 ,在Armijo搜索下 ,PR和HS算法是全局收敛的     

一族共轭梯度算法的全局收敛性

提出了一族计算βk的新公式,即提出了一族新的共轭梯度法,证明了一种非精确线怀搜索能够保证这种方法的下降性和全局收敛性。     

基于模拟退火算法对K-means聚类算法的优化

K-means聚类算法是近年来数据挖掘学科的一个研究热点和重点,该算法是基于划分的聚类分析算法.目前这种算法在聚类分析中得到了广泛应用。本文将介绍K-means聚类算法的主要思想,及其优缺点。针对该算法经常陷入局部最优,以及对孤立点敏感等缺点,提出了一种基于模拟退火算法的方法对其进行优化,可以有效地防止该算法陷入局部最优的情况。     

基于模拟退火算法的属性均值聚类算法

基于对属性均值聚类算法和求解全局优化问题的方法的分析,提出了基于模拟退火算法的属性均值聚类算法。数值计算表明该算法是一个具有全局最优解的聚类方法。