全局优化的一类新的F-C函数

针对求解全局优化问题,有很多种求解方法。文中提出了一种快速求解一般无约束最优化问题的辅助函数方法。即F-C函数方法。该方法与填充函数法和跨越函数法相比较,既有相同点又有不同点。F-C函数法最大的优点就是在极小化F-C函数阶段中只需要进行一次局部极小化算法就能得到比当前极小值更低的目标函数局部极小点。文中在无Lipschitz连续的条件下,给出了一类新的求解全局优化问题的F-C函数。文中讨论了该F-C函数的优良性质并对该函数设计了相应的算法。最后,通过数值试验表明该F-C函数方法具有有效性和可行性。     

一类求解全局优化问题的F—C函数法

填充函数法和跨越函数法是两种求解多变量、多极值函数全局最优化的有效方法,这些方法的关键是构造填充函数或者跨越函数.为此结合全局优化问题的填充函数法和跨越函数法,考虑优化问题minf(x),针对f(x)为无Lipschitz连续函数,定义了一个求解全局优化问题的F-C函数.基于这个定义,提出了一类无参数的F-C函数.研究了所构造F-C函数的理论性质,并按照其理论性质提出了一个求解无约束优化问题的F-C函数算法.数值实验表明,所给的方法是有效的.     

求无约束优化问题的无参数填充函数法

填充函数作为求解优化问题的有效方法之一,以填充函数的基本思想为基础,构造了新的无参数填充函数,该函数形式简单,便于计算。分析了该函数的相关性质并设计了相应的算法,最后通过数值实验,结果表明提出的算法是可行的、有效的。     

一类求全局最小点的填充函数及其算法

填充函数法是求解全局最优化问题的一种重要的方法,其关键之一在于构造一类性质良好的填充函数.文中基于填充函数的严格定义,针对全局优化问题(P0):min x∈R n f(x),在目标函数 f(x)满足一定条件的基础上,提出了一类求其全局最小解的填充函数,并在适当的假设条件下,研究证明了该函数的填充性质和其他的分析性质,并按照这些相关性质设计了相应的填充函数算法.该函数形式简单,便于计算.最后,还进行了数值试验测试,结果表明,该函数是可行的,算法是有效的     

一类求多变量函数所有局部极小点的算法

为求出具有箱式约束的非线性全局优化问题所有的局部极小点,提出了一种基于Multistart 方法的新算法.结合目标函数在可行域内的总变差、下降率和凹凸性等信息,构造了一个刻划局部极小点分布的G-度量.将可行域剖分为若干个小区域,把初始点按G-度量值的比例分配在每块区域上,使得局部极小点密集的区域能够被分配较多的初始点进行搜索;给出了有效初始点的判断条件为了进一步减少局部优化算法的运行次数.针对G-度量计算量较大的问题,设计了相应的近似计算方法,降低了计算量.选择了4 个2 维~10 维具有大量局部极小点的测试函数进行求解,与Multisatart 和Minfinder 算法的实验结果进行对比,表明了该方法在收敛速度和搜索全部局部极小点上都有了较大的改进和提高.     

用于一类函数全局优化问题的混合遗传算法

为了克服传统遗传算法收敛速度缓慢且易于收敛到局部最优解的缺点,该文将遗传算法与传统的局部搜索方法相结合,采用新的交叉变异准则,提出一种新型的混合遗传算法。该算法可以很好地处理一类带上下界约束的全局优化问题,具有很强的全局寻优能力。数值实验表明,该算法的计算结果明显优于传统遗传算法。     

一类新的寻求全局最优解的填充函数

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,该方法最早由葛入溥在文献[1]中提出,这种方法的关键是构造填充函数.文中在无Lipschitz连续条件下,考虑用单参数填充函数求解无约束全局优化问题,给出了一类新的形式简单的单参数填充函数.容易证明该填充函数在参数充分小时就能保持其填充性质.根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,通过一些检验函数的数值运算结果验证了算法的可行性和有效性.     

用于全局优化的一种新填充函数

填充函数法是一种寻求多变量、多峰值函数的总体最优的优化方法。鉴于提出过的填充函数,给出了一种形式简单的单参填充函数,计算中无需考虑函数出现不连续点的情况,且函数不受指数项影响。对一些标准函数的仿真结果比较表明构造的填充函数是有效的。     

一种快速逃离局部极小点的BP算法

针对反向传播(BP)算法容易陷入局部极小点的问题,提出了一种改进价值函数,使其快速收敛到全局最小点的方法。对扩展的异或问题正弦函数模拟进行了仿真实验,结果对比表明,改进的BP算法能快速逃离局部极小点,收敛到全局最小点,达到了期望的效果。     

一个基于分枝搜索的函数全局优化方法

本文给出了算法性能的一种度量，并且提出了一种全局优化算法策略，其基本框架（分枝随机搜索）类似于二分搜索，即将搜索区域划分成等测试的两个子区间（也可以多个），通过采样确定最有可能包含全局最优点的子区间，将其保留；去掉另一半，在剩下的区间重复这一过程。尽管这种算法其简单性几近随机算法和络点法，但理论分析和实验结果表明，其效率却高得多。     

应用罚函数求解二层线性优化问题的全局优化方法

应用罚函数原理，将二层线性优化问题转化为目标函数带有罚函数子项的非线性优化问题，当罚系数大于某一数值时，库函数项为一精确项，该非线性优化问题用渐的进外逼近算法可求出其全局最优解。     

一种新的全局优化BP网络*

将L-M算法与填充函数法相结合,提出一种训练前向网络的混合型全局优化GOBP(Global Optimization BP)算法。L-M算法的收敛速度快,利用它先得到一个局部极小点,然后利用填充函数算法跳出局部最小,得到一个更低的局部极小点,重复计算即可得到全局最优点。经实验验证,该算法收敛速度很快,避免了局部收敛,而且性能稳定。     

求解无约束全局优化的改进的单填充函数法

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,这种方法的关键是构造填充函数.为此文中根据文献[1]的思想,考虑优化问题minf(x)x∈Rn,针对f(x)为局部Lipschitz连续函数,构造了一种简单的单填充函数,容易证明相对于传统的填充函数,该填充函数在参数较小时就能保持其填充性质,且全局收敛速度快.根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,对4个基准测试函数的数值试验表明该方法是有效的.     

求解无约束全局优化的改进的单填充函数法

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,这种方法的关键是构造填充函数。为此文中根据文献[1]的思想,考虑优化问题minf（x）x∈R^n,针对f（x）为局部Lipschirz连续函数,构造了一种简单的单填充函数,容易证明相对于传统的填充函数,该填充函数在参数较小时就能保持其填充性质,且全局收敛速度快。根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,对4个基准测试函数的数值试验表明该方法是有效的。     

用填充函数改进的智能控制系统全局优化算法

为了提高全局优化算法的速度,提出了智能控制系统全局优化算法。该算法应用了闭环控制系统的反馈的思想,使得在寻优迭代过程中被优化函数的值不断接近设定值,直至达到其全局最优值。该算法的关键在于控制策略的设计和策略中的参数值的设定。为了降低参数初值设定的难度同时提高算法的寻优精度,利用填充函数法对智能控制系统全局优化算法进行改进。经12个标准的测试函数的验证,改进后的算法的速度较填充函数法快,算法的精度比智能控制系统全局优化算法高。     

新的全局-局部最优最小值粒子群优化算法

为了提高粒子群优化算法的收敛速度,克服陷入局部最优的缺点,在全局-局部最优粒子群优化算法的基础上,提出了一种新的改进粒子群优化算法——全局-局部最优最小值粒子群优化算法.该算法把惯性权重和学习因子分别通过结合全局和局部最优最小值来进行改写,速度更新公式也做了相应的简化.仿真实验表明该算法在收敛速度和寻优质量上都优于基于LDIW策略改进的粒子群算法和全局-局部最优粒子群算法.     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

新型全局优化蝙蝠算法

通过对生物智能机理的借鉴,许多解决复杂问题的新方法不断涌现.最近,Yang基于蝙蝠的回声定位行为,提出了一种新的全局优化算法——蝙蝠算法,同时将一些现有算法的优点引入到该算法中.首先讨论了蝙蝠算法的生物学动机,从原理上描述了蝙蝠回声定位行为和算法实现流程,随后求解了函数极值优化问题.仿真结果表明,蝙蝠算法的性能优于粒子群算法.最后,对进一步研究作了展望.     

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法.算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度.对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势.