基于混合遗传算法求解非线性方程组

将非线性方程组的求解问题转化为函数优化问题,且综合考虑了拟牛顿法和遗传算法各自的优点,提出了一种用于求解非线性方程组的混合遗传算法。该混合算法充分发挥了拟牛顿法的局部搜索、收敛速度快和遗传算法的群体搜索、全局收敛的优点。为了证明该混合遗传算法的有效性,选择了几个典型的非线性方程组,从实验计算结果、收敛可靠性指标对比不同算法进行分析。数值模拟实验表明,该混合遗传算法具有很高的精确性和收敛性,是求解非线性方程组的一种有效算法。     

一种新的求解非线性方程组的混合量子遗传算法

针对传统非线性方程组的解法对初始值敏感、收敛性差、精度低等问题,提出一种求解非线性方程组的混合量子遗传算法。该算法综合考虑了量子遗传算法和拟牛顿法的优点,充分发挥了前者的群体搜索和全局收敛性,并有效克服了后者的初始点敏感问题。数值模拟试验表明,该算法具有很高的精确性和收敛性,是求解非线性方程组的一种有效算法。     

求解非线性方程组的拟牛顿-粒子群混合算法

结合粒子群算法和拟牛顿法的优点,提出了一种用于求解非线性方程组的混合算法。该混合算法充分发挥了粒子群算法的群体搜索性和拟牛顿法的局部细致搜索性,同时也克服了粒子群算法后期搜索效率降低和拟牛顿法对初始点敏感的缺陷。数值实验表明所设计的混合算法有极好的稳定性和较高的收敛速度和精度。     

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特 构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明,此算法具有较好的稳定性和有效性。     

非线性方程组求解的一种新方法

针对现有的非线性方程组求解方法不能同时收敛到所有解的问题,提出了一种混合小生境遗传算法的求解新方法.采用确定性拥挤小生境创造出种群的小生境进化环境,克服遗传算法的遗传漂移现象,维持种群的多样性,使算法能同时收敛到多个解;以拟牛顿算法作为遗传算法的局部搜索算子进行精确搜索,进一步提高算法收敛速度和精度.选择了几组典型的多解非线性方程组进行了求解验证,结果表明所设计的混合小生境遗传算法能在解的定义域内同时收敛到所有解,收敛速度快、精度高,是求解非线性方程组全局解的一种有效方法.     

基于区间—遗传算法求解非线性方程组

将非线性方程组的求解转化为函数优化问题,结合遗传算法的群体搜索、全局收敛的优点,及区间算法特有的解的存在性检验准则,提出了一种区间—遗传算法。在迭代计算过程中,区间算法为遗传算法搜索提供可靠区域,同时遗传算法为区间算法提供安全的初始区域。数值实验表明,该算法能够在较大范围的初始区间内快速,可靠地迭代得到高精度的区间解,是求解非线性方程组的一种有效的算法。     

基于遗传算法的非线性方程组求解

针对目前求解非线性方程组所采用的牛顿法及其变形算法存在的运算量大、求解速度慢的问题,提出了一个求解非线性方程组近似解的通用遗传算法。该算法主要采用求解目标函数极小值的思想,并结合遗传算法并行搜索的特点,通过选择和设置适当的父体选择策略、杂交算子、变异算子等参数,使算法取得了较高的收敛速度和精度。实验结果表明,该方法明显优于传统方法,并具有运算速度快、精度高、通用性好的特点。     

一种求解非线性方程组的量子粒子群算法

针对传统非线性方程组的解法对初始值敏感、收敛性差等问题,提出一种求解非线性方程组的量子粒子群算法.用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异.该算法可发挥量子粒子群的群体搜索能力和全局收敛性,在算法中融入拟牛顿法,加强局部搜索能力,提高求解精度.数值模拟实验表明,算法有着可靠的收敛性和较高的收敛速度与精度.     

基于进化策略的非线性方程组求解

基于在求解非线性方程组过程中传统算法存在着对于初始点敏感和串行运行速度过慢的问题,提出一种求解非线性方程组的进化策略算法.该算法充分发挥了进化策略的群体搜索和全局收敛的特性,能够快速求得非线性方程组的根,有效地克服了经典算法的初始点敏感和速度过慢的问题.仿真计算表明,该算法比传统的经典算法、改进的遗传算法和神经网络算法具有更高的求解质量和求解效率,为求解非线性方程组提供了一条比较有效的途径.     

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点，充分利用二者的优点，把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来，提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。