多目标区间值优化问题的最优性条件

利用Clarke广义Jacobi矩阵,研究含等式和不等式约束的不可微多目标区间值优化问题,得到局部LU-有效解的Fritz-John和Karush-Kuhn-Tucker(KKT)最优性必要条件。     

采用动态知识因子的基于知识共享的优化算法

针对基于知识共享的优化算法(GSK)之不足,提出一种采用动态知识因子的基于知识共享的优化算法(DKGSK)。首先,个体通过自适应权重来调节其搜索,在算法前期以较大步长进行全局探索,增强了算法全局探索能力;在算法后期以较小步长进行局部搜索,提升了算法局部开发能力。其次,个体使用动态知识因子来调控其搜索步长,使搜索步长更具灵活性和随机性,提升了个体的局部搜索能力,从而增强了算法的局部开发能力。再次,个体借助列维飞行增强其跳出局部最优的能力,从而增强了算法规避陷入局部最优的能力。通过12个基准测试函数的数值实验与仿真,结果表明DKGSK的全局收敛速度和优化精度方面均得到了明显的改善,规避陷入局部最优的能力得到了增强。     

知识驱动的SSVEP刺激界面序贯式实验方案优化

为解决传统实验设计方法中稳态视觉诱发电位(SSVEP)刺激界面优化设计时存在实验次数多、成本高、周期长的问题,提出一种知识驱动的SSVEP刺激界面序贯式实验方案优化方法.以SSVEP刺激界面参数为设计变量,SSVEP响应性能作为优化目标.利用概率模型表征刺激界面参数的先验知识,通过概率积分变换翘曲实验样本空间,缩小最优...     

面向边缘计算环境的服务器性能评估及优化模型

针对边缘计算服务器运维难度大、运维成本高等问题,基于对单台服务器动态采集的多维指标,并通过汇聚算法得到业务汇聚指标,通过巡检模型评估需要进行优化的目标服务器,并根据动态调整模型给出的决策方案对服务器实施优化调整,提出一种边缘计算服务器性能评估及优化模型。实验结果表明,本模型可实现边缘计算服务器的业务规划、软件配置与硬件配置等决策预警,可提升26%的服务质量、10%的运维效率,同时能降低3.57%的运维成本。     

基于加权响应面法和混沌粒子群优化算法的单梁有限元模型修正

为获得与实际结构受力性能吻合的有限元模型,以耿峪河大桥单梁荷载试验为工程背景,建立单梁有限元模型.提出以加权响应面法对单梁有限元模型进行修正,采用中心复合试验设计法和方差分析筛选出显著性高的参数,建立加权响应面模型代替单梁有限元模型计算响应值,以测试数据构造目标函数结合混沌粒子群优化算法对有限元模型进行修正.结果 表明...     

基于改进狮群优化的三维DV-Hop定位算法

针对三维DV-Hop(distance vector-hop)定位算法存在的定位误差较大精度不高的问题,提出一种基于改进狮群优化的三维DV-Hop定位算法。先使用狼群算法中的狼群捕食游猎行为以及羊群算法中的羊群受到攻击时的聚集互动行为对狮群算法进行改进,再把改进后的狮群算法用于优化三维DV-Hop定位算法中未知节点坐标的计算。实验结果表明,所提算法从三个方面与不同算法进行比较都具有最佳定位性能,有效减小定位误差、提高定位精度。     

粉煤灰基NaP分子筛的制备及响应面优化

以电厂粉煤灰为原料制备粉煤灰基NaP分子筛。基于单因素实验,采用Box-Behnken-Design响应面法考察碱灰比、预晶化时间、晶化时间、硅铝比对制备粉煤灰基NaP分子筛相对结晶度的影响效应。结果表明,影响粉煤灰基NaP分子筛因素显著性顺序为碱灰比>硅铝比>晶化时间>预晶化时间,响应面法建立的模型对制备粉煤灰基NaP分子筛的相对结晶度具有良好的预测性。制备单一相粉煤灰基NaP分子筛的最优条件为：碱灰质量比1.5,预晶化时间2 h,晶化时间48 h,硅铝物质的量比5。     

基于响应面法的氧化物结合碳化硅材料制备工艺优化

以碳化硅和高岭土为原料,利用原位反应合成法制备了氧化物结合碳化硅材料,并基于响应面法,采用材料显气孔率、常温抗折强度和热震稳定性为评价指标,研究了热处理温度、成型压力和高岭土添加量对材料性能的影响。模型分析及验证性实验结果表明,制备氧化物结合碳化硅材料的最佳热处理温度、成型压力以及高岭土添加量分别为1400℃、80 MPa、10%,在该工艺条件下所制材料的显气孔率、常温抗折强度以及残余强度保持率分别为15.9%、22.7 MPa、45.8%。     

吉林省外来入侵植物豚草潜在适生区预测

采用MaxEnt模型、ENM Tools、R语言和地理信息系统(ArcGis)相结合的方法,预测吉林省豚草的潜在适生区域,确定影响豚草地理分布的主导环境因子.结果表明:豚草在吉林省的高、中适生区主要分布于大部分地级市和部分县级市,其中长春市的高、中潜在适生区面积最大,共计2696.11 km2,占该市总面积的13.09...     

新的粒子群优化算法

粒子群优化(PSO:Partic le Swarm Optim ization)算法是一种有效的全局优化技术。对于PSO算法,很容易陷入局部极值。针对上述缺点,提出了两点改进:对基本PSO算法的速度更新公式中的全局极值给出新的定义,以使粒子群体保持多样性;适当地缩放适应值,与随机规则共同决定某个粒子作为速度公式中的全局极值。改进的两点用于PSO算法后期,形成新的PSO算法(NPSO:New PSO)。NPSO能有效地改善算法,具有摆脱局部极值的能力。在给定的条件下,选用3个函数进行了测试。实验结果显示,在获得平均适应值方面,该算法比PSO算法提高1.62%~16.5%,明显优于基本的PSO算法。