约束不可微优化问题的极大熵方法

给出一类不可微优化问题的极大熵方法，并给出了该方法的收敛性分析。     

不可微规划的极大熵方法

解约束不可微规划问题的极大熵方法一般是不收敛的,本文在较弱的条件下给出了该方法的收敛性定理,并且给出了解约束不可微规划问题的一个改进的极大熵方法。     

微粒群优化算法研究

微粒群算法(PSO算法)是模拟鸟类、鱼群等的群体智能行为的一种启发式全局优化技术.通过介绍微粒群优化算法的原理、算法流程、算法参数及其对算法性能的影响,给出了各种改进的微粒群算法形式以及研究现状,归纳了微粒群算法的国内外应用进展及研究方向.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

极大熵Newton-SOR迭代算法求解绝对值方程

主要研究绝对值方程Ax＋B｜z｜=b的求解问题．首先通过利用极大熵理论将该绝对值方程转化为光滑方程组，建立求解该形式绝对值问题的Newton-SOR方法，并对算法的收敛性进行分析和证明；最后通过数值试验对算法的有效性进行测试．     

小生境微粒群优化算法

将小生境技术引入到微粒群优化算法之中,设计出一种小生境微粒群优化算法。该算法除了始终赋予微粒生命力,还将位置重叠的差适应值微粒在搜索空间重新启动。通过对4个常用测试函数进行优化计算,仿真结果表明小生境微粒群优化算法比基本微粒群优化算法具有更好的优化性能。     

求解约束优化问题的改进微粒群算法

微粒群算法在处理约束条件时最常采用的方法是约束保持法,但该方法易使粒子在搜索中停滞不前,为了改进传统约束保持法的缺点,将微粒群算法与信赖域算法相结合,从而保持了粒子的多样性并使最优解在可行域内。另外,采用与信赖域搜索技术相结合的随机惯性权重,改善了算法的全局寻优能力,提高了算法的收敛速度和计算精度。实验结果表明：与标准微粒群算法和一些其他优化算法相比,改进算法具有较强的寻优能力和寻优效率。     

分段式微粒群优化算法

提出一种分段式微粒群优化算法。该算法将所要搜索的区域分成若干段,首先在每一区段内搜索出区段的最优位置,然后将各区段的最优位置组成一微粒群,继续搜索全局最优位置。通过对5个常用标准测试函数进行优化计算,仿真结果表明:分段式微粒群优化算法能有效地搜索到全局最优解,具有比基本微粒群优化算法更快的搜索速度和更好的优化性能。     

一种求解混合离散优化问题的禁忌微粒群算法

微粒群优化(PSO)算法主要用于求解全局连续变量优化问题.利用罚函数处理离散变量,将混合离散优化问题min f(x),s.t.gk(x)≤0,k=1,2,…,l,xLi≤xi≤xUi,i=1,2,…,m,xm+j ∈Dj,Dj=(dj,1,dj,2,…,dj,qj),j=1,2,…,n转化为连续变量优化问题min F(...     

两群替代微粒群优化算法及其应用

提出一种两群替代微粒群优化算法（TSSPSO）,并对算法参数进行分析和对算法方程进行修正。该方法将微粒分成飞行方向不同的两分群,其中一分群微粒朝着最优微粒飞行,另一分群微粒朝着相反方向飞行;飞行时,每一微粒不仅受到微粒本身飞行经验和本分群最优微粒的影响,还受到全群最优微粒的影响。搜索时,每一次迭代均以一定的替代率用一分群中若干优势微粒取代另一分群中相同数目的劣势微粒。对4种常用函数的优化问题进行测试并进行比较,结果表明：两群替代微粒群优化算法比基本微粒群优化算法更容易找到全局最优解,优化效率和优化性能明显提高。将两群替代微粒群优化算法用于常压塔汽油干点软测量,建立基于两群替代微粒群优化算法的汽油干点神经网络软测量模型,通过与实际工业数据的比较,表明基于两群替代微粒群神经网络的软测量模型精度高、性能好。     

粒子群优化算法求解旅行商问题

首先介绍粒子群优化的搜索策略与基本算法, 然后通过引入交换子和交换序的概念, 构造一种特殊的粒子群优化算法, 并用于求解旅行商问题. 实验表明了在求解组合优化问题中的有效性.     

一种求解集合组合问题的离散粒子群优化模型

针对变长集合组合优化问题,提出了一种离散粒子群优化模型.该模型将集合的概念和运算引入粒子群优化中,定义了一个可变集合搜索空间,并重新定义了粒子的位置、速度及作用于此空间的运算规则,既保留了粒子群本身的优化特性,又体现了集合组合优化的特点.采用典型的变长集合组合优化问题——背包问题来验证此模型的性能,并与二进制粒子群优化(BPSO)算法进行了对比.结果表明,该模型具有较强的寻优能力和更高的稳定性.     

一种离散型多目标粒子群优化算法

为获得更好的非劣前端,提出一种离散型多目标粒子群优化算法。该算法根据离散型多目标优化问题的特点,将种群分成多个子种群,在各个子种群中利用表现型共享的适应度函数选择每个子种群的最优粒子。通过多个最优粒子的引导,使整个种群分布更均匀,避免陷入局部最优,保证了解的多样性。实验表明了该算法的有效性。     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

用粒子群算法求解打靶点的一种方法

针对打靶法中打靶点寻找困难的问题,提出了一种改进的粒子群算法.该方法将粒子适应度定义为终点状态的目标优化函数,并通过人工神经网络建立微分方程组的初始状态与终点状态的映射来提高运行速度.针对打靶点要求精度低,但不得陷入局部极值点的特点,在一次搜索结束后,逐步提高搜索水平,并重新调整粒子搜索能力来进行二次搜索,从而提高了得到全局最优值的命中率.最后通过一个实例验证了该方法的有效性.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.