非线性l-1模极小化问题的极大熵粒子群算法

针对非线性l-1模极小化问题,利用粒子群算法并结合极大熵函数法给出了此类问题的一种新混合算法。该算法首先利用极大熵函数将非线性l-1模极小化问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化此问题。数值结果表明,该算法收敛快、数值稳定性好,是求解非线性l-1模极小化问题的一种有效算法。     

一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。     

一类非线性极大极小问题的极大熵社会认知算法

针对一类非线性极大极小问题目标函数非光滑的特点给求解带来的困难,利用社会认知算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将原问题转化为一个光滑无约束优化问题,然后利用社会认知算法对其进行求解。该算法是基于社会认知理论,通过一系列的学习代理来模拟人类的社会性以及智能性从而完成对目标的优化。数值结果表明,该算法收敛快,数值稳定性好,是求解非线性极大极小问题的一种有效算法。     

基于极大熵差分进化混合算法求解非线性方程组*

针对非线性方程组,给出了一种新的算法——极大熵差分进化混合算法。首先把非线性方程组转换为一个不可微优化问题;然后用一个称之为凝聚函数的光滑函数直接代替不可微的极大值函数,从而可把非线性方程组的求解转换为无约束优化问题,利用差分进化算法对其进行求解。计算结果表明,该算法在求解的准确性和有效性均优于其他算法。     

一类非线性极小极大问题的粒子群-邻近点算法

针对每个分量函数都是凸函数的离散型非线性极小极大问题,提出一种全局收敛的粒子群-邻近点混合算法。该算法利用极大熵函数将极小极大问题转化为一个光滑函数的无约束凸优化问题;利用邻近点算法为外层算法,内层算法采用粒子群算法来优化此问题;数值结果表明,该算法数值稳定性好、收敛快,是求解此类非线性极小极大问题的一种有效算法。     

求解互补问题的极大熵差分进化算法*

针对传统算法无法获得互补问题多个最优解的困难, 提出了求解互补问题的差分进化算法。首先利用NCP函数, 将互补问题转换为一个非光滑方程组问题, 然后用凝聚函数对其进行光滑化, 进而把互补问题的求解转换为无约束优化问题, 利用差分进化算法对其进行求解。该算法对目标函数的解析性质没有要求且容易实现, 数值结果表明了该方法在求解互补问题中的有效性。     

基于极大熵和声搜索算法的非线性方程组求解

提出一种基于极大熵和声搜索(HS)的非线性方程组求解算法。利用极大熵函数代替不可微的极大值函数,从而将非线性方程组问题转化为一个无约束极小化问题,并通过HS算法对其进行求解。数值实验结果表明,与牛顿算法相比,该算法简单直观,具有较高的求解准确性。     

云数据库中基于极大熵差分进化的负载评估算法

由于分布式关系型数据库基于两阶段提交协议的设计方式,使得系统如出现单节点瓶颈问题,数据库事务将全部回滚,从而造成巨大的系统开销,影响数据库在大数据环境下的应用。针对这一现状,提出一种基于极大熵差分进化的负载评估算法,利用评价函数法,将多目标优化问题转化为不可微的单目标优化问题,再利用极大熵函数,将不可微优化问题转化为一个带有参数的无约束优化问题,最后用差分进化算法对其进行求解,找出节点资源最优集,从而为过载节点的数据迁移提供了理论依据,也进一步实现了对云数据库的设计。实验结果表明,该算法能够提高系统的整体性能,有效避免单节点瓶颈问题。     

基于文化算法和改进差分进化算法的混合算法

改进差分进化算法不能有效利用进化过程中的知识,传统文化算法进化后期收敛速度较慢。针对这些问题提出一种基于文化算法和改进差分进化算法的混合算法,并将这一算法应用于约束求解问题。对基准函数和丁烯烷化生产调度问题进行仿真,结果表明该混合算法具有较好的实用性和稳健性,在寻优效率和优化结果方面都优于与之比较的算法,并降低了计算量。     

基于极大熵牛顿法求解绝对值方程

针对绝对值方程Ax-|x|=b的求解问题,在假设矩阵A的奇异值大于1时,给出了求解绝对值方程的一个新方法。通过引入一种极大熵函数将绝对值方程进行光滑化处理,进而把绝对值方程转换为光滑非线性方程组,然后利用极大熵牛顿法对其进行求解。数值实验结果表明了该方法的正确性和有效性。     

求解方程组的正交差分进化算法

首先利用代理约束概念和修正极大熵函数,将非线性方程组等价地转化为无约束优化函数;然后引入平均相似度概念,设计自适应正交交叉算子,利用正交设计产生初始种群,并在此基础上提出了自适应正交差分进化算法,用于求解修正极大熵函数;最后用方程组验证了算法的有效性。     

一种非线性互补问题的信赖域算法收敛性

针对非线性互补问题求解困难,利用信赖域算法,并结合极大熵函数法给出该类问题的一种新的有效算法．该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,然后应用信赖域算法来优化该问题,并在一定条件下证明该算法具有全局收敛性。数值算例表明算法的有效性。     

非线性互补问题的粒子群算法

针对非线性互补问题求解的困难,利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,将该函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化该问题。数值结果表明,该算法收敛快、数值稳定性较好,是求解非线性互补问题的一种有效算法。     

非线性规划问题的极大熵多目标粒子群算法

结合非线性规划的约束条件构造了一个新的极大熵函数,利用该函数将问题转化成了两个目标的多目标优化问题.通过对违反约束动态的进行惩罚,提出了一种新的极大熵多目标粒子群算法.该方法能有效的保持群体中不可行解的一定比例,从而增加了群体的多样性,而且避免了传统的过度惩罚缺陷,使群体更好地向最优解逼近.计算机仿真表明,该算法对非线性规划问题求解是非常有效的.     

非线性约束规划的极大熵多目标进化算法

解非线性约束规划的困难在于如何处理问题的约束,从问题的约束条件出发构造了一个新的极大熵函数,利用此函数将原非线性约束规划问题转化成了两个目标的多目标优化问题。通过对搜索操作和参数的合理设计给出了一种新的极大熵多目标进化算法。计算机仿真表明该算法对带约束的非线性优化问题求解是非常有效的。