一种优于混沌优化的对分插值逼近算法

提出一种新的求解函数最优值的算法——对分插值逼近算法。该算法产生均匀分布于[a，b]区间的稠密点集，理论证明了该点集可以无限逼近[a，b]区间内的任何实数，且以概率1收敛于任何待优化函数的全局最优值。与混沌优化算法进行了比较，以一维、二维变量的仿真为例，结果表明，该算法在寻优过程中优于混沌优化算法。     

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。     

改进的混沌优化算法研究

分析了一类混沌优化算法所存在的不足,即在二次载波过程中只是在近似最优解的单侧邻域内进行搜索,同时可调参数也不能随着搜索进程的变化而变化,使得寻优结果并不是很理想。对此进行了适当地改进,利用混沌变量对当前点进行扰动,并且通过时变参数逐渐减小搜索进程中的扰动幅度,同时,以一定方式确定了时变参数的初值。用改进后的算法对连续对象的全局优化问题进行优化,仿真结果表明,该方法可以显著提高收敛速度和精度。     

混沌遗传优化算法及其程序研制

为了解决传统遗传算法的早熟问题，首首提出了混沌移民算子。利用混沌迭代的遍历性和内在随机性，通过混沌移民操作可克服传统遗传 的近亲繁殖问题，确保算法的全局收敛性。用MATLAB语言研制了混沌遗传优化算法软件ChGA1.0；数值计算表明，该算法的全局收敛性及算法本身的鲁棒性好，适应于求解连续变量的无约束及有约束优化设计问题，具有工程实用价值。     

一种基于单纯形法的混沌优化算法

本文利用混沌运动的随机性、遍历性、规律性等特点,把单纯形法与混沌优化方法相结合,提出了一种混合优化算法.应用该算法对通用的测试函数进行仿真计算,结果表明,该算法简单实用,性能良好,是解决非线性优化问题的一种有效途径.     

一种基于混沌粒子群的泥沙颗粒图像优化算法

针对泥沙颗粒图像与其它领域的颗粒图像的类同性,利用图像处理技术计算泥沙颗粒,提出了一种基于混沌粒子群的泥沙颗粒图像优化算法。该算法在运行的初期为了避免收敛早熟,增强了群体的多样性;通过设定的特定格式迭代产生混沌序列,有效的避免多样性的下降和早熟收敛的产生。在运行的中后期,能够在全局的最优区域进行更加精细的搜索,找到全局最优解的速度更快。实验结果表明,算法较好地解决了河流复杂泥沙颗粒图像的优化问题。     

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.     

求解无约束全局优化问题的一种方法

提出一种新的求解无约束全局优化问题的方法,该方法把修正的BFGS方法与填充函数方法相结合,使得目标函数f(x)的当前局部极小点x*1可以移到目标函数的另一个局部极小点-x,且f(x*1)≥f(-x),同时-x也是填充函数的极小值点;然后再以为初始点求f(x)的局部最优解.反复以上过程,最终可以找到f(x)的全局最优解.     

求解背包问题的一种改进粒子群优化算法

针对0—1背包问题,提出了一种改进的粒子群优化算法。在物品规模增大时,该算法能够有效寻找全局最优解,提高背包的空间利用率,降低背包的空置率。通过仿真实验表明,改进的粒子群优化算法在背包问题求解中具有更好的收敛性和稳定性。     

加速混沌变尺度混合优化算法

提出了一种加速混沌变尺优化算法（SCOA－DFP）。首先利用加速混沌算法（SCOA）找到一点比较满意的“初始最优点”。丙以此点为初始值使用变尺度方法（DFP）进行迭代，两种方法交替进行。算法简单明子，性能良好。数值实验表明算法实用有效。     

求解无约束优化问题的一种下降算法3

研究了求解无约束优化问题的一种共轭下降算法,并在非精确线搜索条件下证明了该算法的全局收敛性.     

求解无约束优化问题的一种下降算法

研究了求解无约束优化问题的一种共轭下降算法，并在非精确线搜索条件下证明了该算法的全局收敛性．     

求解LC^1优化问题的快速收敛算法

在文献[1]中Xiaojun Chen给出了一个用于解决LC^1线性约束优化问题BFGS－SQP算法。这个算法是用Armijo线性原则来求步长的。本文采用Wolfe线性搜索原则来替代该BFGS－SQP算法的Armijo原则,经过类似的分析,同样得到了BFGS－SGP算法的全局收敛性及超线性收敛性。     

一个新的解无约束优化问题的信赖域算法

为了减少求解信赖域子问题的次数,通过对当前目标函数下降量与成功迭代的目标函数下降量最小值的比较,提出一个新的解无约束优化问题的信赖域算法,证明了该算法的全局收敛性,并用数值实验说明新算法是有效的.     

一种改进的混沌优化方法研究

为提高混沌优化方法的寻优速度和求解精度,本文提出一种改进的混沌优化方法,该方法结合幂函数载波和变尺度混沌优化方法的优点,在第一次载波中利用幂函数全局寻优,在第二次载波中,以当前最优解为中心,不断缩小优化变量的搜索区间进行双侧局部寻优。仿真结果表明,该方法可以明显提高收敛速度和精确性。     

混沌优化算法的参数分析

通过一些典型的复杂测试函数,对文［１］中提出的混沌算法的效率及其参数,用统计的方法进行了详细的分析。     

半光滑无约束优化信赖域算法的全局收敛性

信赖域方法具有较强的收敛性和可靠性,一直被众多学者关注.基于光滑优化信赖域算法模型,证明了半光滑无约束优化信赖域算法的全局收敛性.     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.