抛物型方程反问题的混合粒子群算法

粒子群优化算法（PSO）是一种新兴的优化技术,它的思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最好解和整个群的最好解来完成优化。粒子群算法简单容易实现,可调参数少,已经得到了广泛研究和应用。提出了一种结合有限元方法求解偏微分方程反问题的混合粒子群算法,在对多个抛物型方程反问题模型测试的数值模拟中都得到了较好的结果,体现了该算法的有效性、通用性和稳健性。     

数值求解二维抛物型奇异摄动问题的区域分解算法

1.引言奇异摄动问题产生于流体力学、量子力学、声学、光学、化学反应和最优控制等重要领域,其特点是:在讨论的问题中含有小参数。对于这类问题,一般不能求得其精确解,但可以用所谓的渐近方法求其近似解。近三十年来,随着计算机科学与技术的迅猛发展,使得许多科学家参与此类问题的数值求解方法的研究。所采用的主要方法有:指数型拟合差分格式,A.M.Il’in     

解抛物型方程的Galerkin多层修正迭代算法

小波方法在微分方程数值解法中日益得到广泛应用.由于小波的紧支性、正交性使得离散后的代数方程组的系数矩阵具有稀疏性、层次性,在此基础上可以构造各种快速算法.基于多尺度空间,采用一组正交小波基来离散原方程,导出方程组的系数矩阵具有稀疏性和层次性,从而提出求抛物型微分方程的Galerkin多层修正迭代算法,并讨论了迭代修正算法的收敛性.提出的方案能容易地实现时间和空间方向的局部加密自适应修正过程.提供的数值算例说明了方法的有效性.     

求解TSP问题的多线程演化算法

提出了一种基于单处理器的多线程演化算法。该算法着重于发挥线程之间通讯高效的特点,充分利用演化线程之间大量的通讯,避免演化计算的过早收敛。求解TSP（traveling salesman problem）问题的实验结果表明,该算法大大地提升了原简单演化算法解的质量,而且该算法的解也明显优于使用相同简单演化算法实现的基于孤岛模型的分布式演化算法所得到的解。     

改进的PBAS算法在抛物识别中的应用研究

为了提高在监控视频下进行抛物识别的快速性及准确性,消除ghost区域存在的干扰以及PBAS算法存在的动态背景效果差的问题,提出了一种改进的PBAS算法。介绍了背景减除法与PBAS算法的理论基础,然后提出了一种改进的PBAS算法,并应用于抛物识别中,最后分别在纯净背景和复杂背景下进行抛物识别对比实验。实验证明文中改进的PBAS算法能够完全去除ghost带来的影响,该算法具有更高的检测率和准确率,实现了更好的抛物识别效果,有效提高了识别的平均处理速度,可以在监控视频中更精准、实时地呈现抛物现场的视频数据等信息,更好地满足在抛物识别中的实际应用。     

求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

基于演化算法的SAT问题求解

SAT问题即布尔可满足性问题是逻辑学的一个基本问题,也是计算机科学和人工智能研究的核心问题。寻找求解SAT问题的快速算法不仅在理论研究上而且在许多应用领域都具有极其重要的意义。本文讨论了基于演化算法的SAT问题求解方法。     

退化高阶抛物型分布参数系统的迭代学习控制

研究一类高阶分布参数系统的迭代学习控制问题,该类系统由退化高阶抛物型偏微分方程构成.根据系统所满足的性质,基于P型学习算法构建得到迭代学习控制器.利用压缩映射原理,证明该算法能使得系统的输出跟踪误差于L~2空间内沿迭代轴方向收敛于零.最后,仿真算例验证了算法的有效性.     

混合差异演化算法求解多维背包问题

提出了一种求解多维0-1背包问题的混合差异演化算法,算法使用了两个主要的思想策略,即依据物品单位容积价值的高低选择物品的贪婪算法和基于二进制编码的差异演化算法。对10个测试算例进行了仿真试验,结果表明文章提出的算法可以快速找到这些测试算例的最优解,是求解多维背包问题的一种有效方法。     

一种变形的T-型方程的快速求解算法

本文提出了变形个一型方程组的一种快速算法，所需乘、加运算量为O(N^2)，比已有的常见解法(如高斯消去法)运算量少了一个数量级，其中N表示方程组的阶。     

一种基于遗传算法与进化编程的系统辨识方法

分析比较了遗传算法（GA）和进化编码（EP）在解决系统辨识问题中的优劣，提出一种将GA和EP相结合的新的系统辨识方法，该方法既不依赖于种群的初始值，又具有较强的稳定性。仿真结果表明了该方法的有效性和独到之处。     

A Self-Tuning Evolutionary Algorithm Applied to an Inverse Partial Differential Equation

Evolutionary algorithms (EAs) are becoming increasingly popular tools for solving complex search problems. Their popularity in various problem domains has led to the introduction and development of numerous variants of two standard EA operators—crossover and mutation. Unfortunately, there are few if any effective guidelines for choosing which operators will be most effective in a given problem. In this paper, a self-tuning EA is introduced that employs several crossover and mutation operators simultaneously. The probability of using a given operator changes during the course of an evolutionary run whereby the most effective operators are selected based on which part of the search space is currently being explored. The self-tuning EA is used to solve an inverse partial differential equation—considered to be one of the more difficult problems in the realm of engineering mathematics. Results indicate that for the particular inverse partial differential equation considered, the self-tuning EA provides an effective solution methodology.     

Evolutionary design of Evolutionary Algorithms

Manual design of Evolutionary Algorithms (EAs) capable of performing very well on a wide range of problems is a difficult task. This is why we have to find other manners to construct algorithms that perform very well on some problems. One possibility (which is explored in this paper) is to let the evolution discover the optimal structure and parameters of the EA used for solving a specific problem. To this end a new model for automatic generation of EAs by evolutionary means is proposed here. The model is based on a simple Genetic Algorithm (GA). Every GA chromosome encodes an EA, which is used for solving a particular problem. Several Evolutionary Algorithms for function optimization are generated by using the considered model. Numerical experiments show that the EAs perform similarly and sometimes even better than standard approaches for several well-known benchmarking problems.     

演化算法的时间复杂性

演化算法在工程领域取得了广泛的应用,但是其基础理论尚未完全建立。文章讨论了演化算法的时间复杂性,提出一个估计(1+1)EA平均计算时间的简单方法,对几个实例的应用显示了该方法分析演化算法计算时间的有效性。     

约束优化进化算法综述

约束优化进化算法主要研究如何利用进化计算方法求解约束优化问题,是进化计算领城的一个重要研究课题.约束优化问题求解存在约束区域离散、等式约束、非线性约束等挑战,其问题的本质是如何处理可行解与不可行解的关系才能使得算法更高效.本文首先介绍了约束优化问题的定义,然后系统地分析了目前存在的约束优化方法,同时基于约束处理机制将这些方法分为罚函数法、可行性法则、随机排序法、约束处理法、多目标优化法、混合法六类,并从约束处理方法的方面对约束优化进化算法的最新研究进展进行综述.最后,指出约束优化进化算法需进一步研究的方向与关键问题.     

应用Calerkin方法辨识一维抛物型偏微分方程及其边界条件中的参数

本文提出了一种一维抛物型偏微分方程及其边界条件中定常参数的辨识方法.这一方法将所研究的偏微分方程初-边值问题转化为具有已知初值的常微分方程组问题,然后再利用最优化方法将参数估算出来.数值仿真与实验验证都表明这一辨识方法是可行的.     

一种进化算法的应用研究

该文对丛式井组井口定位进行了研究。丛式井就是由同一井场出发打多口井,它可以发挥井场的最大作用,节约用地,提高经济效益。这样如何选择最优点进行打井就成为了一个关键问题。这个问题可以抽象为一个求平面多边形内最优点的问题。该文推导了较有价值的求解本问题最优解的算法,包括目前采用的经验法和基本的穷举法。该文在较新的进化策略算法方面做了一些改进,达到更好的效果。通过实例验证,进化策略算法较以往通常采用的算法有优势。     

MIMO系统参数集员辨识的优化算法

在噪声瞬时有界的情况下，提出了多输入多输出系统参数集员辨识的两种优化算法，这两种优化算法具有识别冗余数据的能力，而且与最小二乘方法相比具有更好的性能，文中的仿真例子验证了上述结果。     

基于演化算法的全加器优化设计

演化硬件研究工作中的一个重要研究内容就是电路优化设计,电路优化设计有望实现复杂电路的自动设计并获得新颖、优化的设计结果,因而成为国际性的研究热点。将演化算法引入全加器电路的优化设计中,引入了新的个体评估机制并提出了适用于全加器演化的演化算法。通过仿真实验验证了算法的有效性。     

演化算法的收敛速率与效率分析

该文讨论了演化算法的收敛速度与效率问题．引入了衡量演化算法收敛快慢的新标准——收敛阶和收敛因子等概念,使用顺序统计方法讨论了收敛阶和收敛因子的计算问题．考虑到演化算法的收敛速度和每代群体的工作量,用收敛阶(或收敛因子)和函数评价次数定义了演化算法的效率．对于常见的球函数模型．推导出(μ,λ)演化策略收敛因子和效率公式．从理论上分析了(μ,λ)演化策略中参数μ,λ的最佳比值．