采用不可微精确罚函数的约束优化演化算法

针对多数已有的采用罚函数的约束优化遗传算法存在优化效果差的问题 ,提出了一种新的求解约束优化问题的演化算法 .借助不可微精确罚函数把约束问题转化为单个无约束问题来处理 .采用混合杂交和间歇变异来提高算法的搜索能力 .数值实验结果表明了新算法的优化效果远远优于已有的几种采用罚函数的遗传算法     

MPEC问题的精确罚函数法收敛性

应用精确罚函数方法，将MPEC问题转化为目标函数含有罚项的一般约束优化问题。当罚因子足够大时，该约束优化问题的极小点收敛于原问题的极小点。     

参数线性规划问题的新型光滑精确罚函数神经网络

针对不等式约束条件下,目标函数和约束条件中含有参数的线性规划问题,提出一种基于新型光滑精确罚函数的神经网络计算方法．引入误差函数构造单位阶跃函数的近似函数,给出一种更加精确地逼近于Ll精确罚函数的光滑罚函数,讨论了其基本性质;利用所提光滑精确罚函数建立了求解参数线性规划问题的神经网络模型,证明了该网络模型的稳定性和收敛性,并给出了详细的算法步骤．数值仿真验证了所提方法具有罚因子取值小、结构简单、计算精度高等优点．     

基于线性搜索的混沌优化及其在非线性约束优化问题中的应用

提出基于线性搜索的混沌优化方法,利用混沌变量的特定内在随机性和遍历性来跳出局部最优点,而线性搜索可以提高局部空间的搜索速度和精度。结合精确不可微罚函数求解非线性约束优化问题。仿真结果表明,该算法简单易行,求解精度、收敛速度和可靠性较高,是解决优化问题一种有效方法。     

基于Oracle罚函数的自适应约束差分进化算法

为有效求解约束优化问题,减少算法参数,提出基于Oracle罚函数方法的自适应约束差分进化算法。为满足求解优化问题的常用标准,提出一种改进的Oracle罚函数方法。将改进的Oracle罚函数方法与三种自适应差分进化算法相结合,提出三种自适应约束差分进化算法。对11个典型测试函数的优化结果验证了Oracle罚函数方法与自适应差分进化算法结合的有效性。与参考文献中提出的算法的比较结果表明该方法具有良好的寻优性能,因此基于Oracle罚函数方法的自适应约束差分进化算法是一种有效约束优化方法。     

解约束优化问题的一种新的罚函数模型

罚函数法是进化算法中解决约束优化问题最常用的方法之一,它通过对不可行解进行惩罚使得搜索逐步进入可行域.罚函数常定义为目标函数与惩罚项之和,其缺陷一方面在于此模型的罚因子难以控制,另一方面当目标函数值与惩罚项的函数值的差值很大时,此模型不能有效地区分可行解与不可行解,从而不能有效处理约束.为了克服这些缺点,首先引入了目标满意度函数与约束满意度函数,前者是根据目标函数对解的满意度给出的一个度量,而后者是根据约束违反度对解的满意度给出的一个度量.然后将两者有机结合,定义了一种新的罚函数,给出了一种新的罚函数模型.并且设置了自适应动态罚因子,其随着当前种群质量和进化代数的改变而改变.因此它很易于控制.进一步设计了新的杂交和变异算子,在此基础上提出了解决约束优化问题的一种新的进化算法.通过对6个常用标准测试函数所作的数据仿真实验表明,提出的算法是十分有效的.     

参数非线性规划问题的L_1精确罚函数神经网络方法分析

针对约束条件中含有参数的非线性规划问题,提出一种基于L1精确罚函数神经网络的新型计算方法。该方法的罚因子为有限实数,并且取值小,便于硬件实现。在改进现有网络模型的基础上,利用最速下降原理构造了神经网络的动力学方程。给出所提神经网络模型在优化计算方面的具体应用步骤。最后,通过数值实例进行仿真验证,结果表明所提方法能够更加快速、精准地收敛于原规划问题的最优解。     

基于精确罚函数的一类广义非线性神经网络模型

针对一般的非线性优化问题定义了一种2次非线性罚函数,证明了在一定条件下对 应的罚优化问题的精确罚定理,由此引进了一种广义非线性神经网络模型,并证明了这种网络 的平衡点与能量函数之间的联系,在一定条件下对应的平衡点收敛到原问题的最优解.这种神 经网络模型对于求解许多优化问题具有重要的作用.     

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。     

非线性规划的混沌粒子群优化算法

粒子群优化算法是一类基于群智能的优化搜索算法.该算法初期收敛较快,但后期易陷入局部最优点.为了提高粒子群算法的性能,将粒子群算法全局搜索的快速性和混沌算法的一定范围内的遍历性二者结合,利用罚函数的思想把有约束的非线性规划问题转化为无约束最优化问题,并利用了混沌运动遍历性、随机性等特点,对传统粒子群算法进行改进,摆脱了粒子群算法后期易陷入局部极值点的缺点,然后与罚函数方法结合,构造出一个基于罚函数的混沌粒子群优化算法.数值结果表明文中所提出的算法是有效的.     

A hybrid approach to constrained global optimization

In this paper, we propose a novel hybrid global optimization method to solve constrained optimization problems. An exact penalty function is first applied to approximate the original constrained optimization problem by a sequence of optimization problems with bound constraints. To solve each of these box constrained optimization problems, two hybrid methods are introduced, where two different strategies are used to combine limited memory BFGS (L-BFGS) with Greedy Diffusion Search (GDS). The convergence issue of the two hybrid methods is addressed. To evaluate the effectiveness of the proposed algorithm, 18 box constrained and 4 general constrained problems from the literature are tested. Numerical results obtained show that our proposed hybrid algorithm is more effective in obtaining more accurate solutions than those compared to.     

动态罚函数法求解约束优化问题

针对罚函数法在求解约束优化问题时罚系数不易选取的问题,提出一种基于动态罚函数的差分进化算法。利用罚函数法将约束优化问题转化为无约束优化问题。为平衡种群的目标函数和约束违反程度,结合[ε]约束法设计了一种动态罚系数策略,其中罚系数随着种群质量和进化代数的改变而改变。采用差分进化算法更新种群直到搜索到最优解。对IEEE CEC 2010和IEEE CEC 2017两组基准测试集进行仿真实验,结果表明提出的算法具有较强的寻优性能。     

非正交联合对角化的罚函数粒子群算法

针对多个矩阵近似联合对角化盲分离问题,提出一种新的非正交近似联合对角化算法.首先采用罚函数法将联合对角化的非线性约束优化模型转化为无约束优化模型;其次将粒子群优化算法引入无约束优化模型中实现目标函数的最优化,从而完成矩阵组的联合对角化.分析了惩罚因子的更新策略及算法的收敛性能,并设计仿真实验进行对比分析以检验算法解决实际盲分离问题的能力.     

改进罚函数法与蝙蝠算法在约束优化中的应用

设计了一种基于自适应罚函数法和改进蝙蝠算法的约束优化问题求解方法。提出了一种自适应罚函数法,该处理方法综合考虑了约束违反的情况和进化过程的特点,如果某个约束违反的次数越多,则证明该约束越强,赋予惩罚系数越大;种群中的不可行解的数量越多,为保持种群的多样性,则约束应该取较小的值,即惩罚系数取较小的值。提出了一种改进的蝙蝠算法,利用混沌的遍历性特点产生初始种群,增强了初始种群的多样性和种群的质量;在考虑了脉冲响度的蝙蝠算法局部搜索中,融入了交叉操作;为防止算法在后期陷入局部最优解,引进了变异操作,保证了群体的多样性。将自适应罚函数法与改进的蝙蝠算法融合起来求解约束优化问题,4个复杂的标准测试函数和2个工程实际问题证明了该约束优化求解方法的可行性和有效性。     

求解约束优化问题的新方法

提出了用于解决约束优化问题的新的类电磁机制算法,针对约束优化问题,利用惩罚函数法,构造了新的适应度函数,将约束问题转化为无约束问题求解,结合类电磁机制算法的寻优特点,设计了适合于问题特点的局部搜索过程,并重新定义了粒子的电荷和力的计算公式,以使在算法实现过程中,引导不可行点逐步向可行点转化,并最终找到问题的最优解。数值模拟结果验证了算法的有效性。     

基于改进粒子群算法的网络广告配置优化

针对网络广告的特点,提出了一个基于混合定价策略的网络广告资源配置优化模型,将其建模为一个约束优化问题,最大化网站的总收益。通过罚函数法进行约束处理,提出一种改进的粒子群算法进行求解。仿真结果表明了该算法的有效性。     

一种基于罚函数的机器人路径规划方法

给出了一种基于罚函数的机器人路径规划方法；这种方法将机器人的路径规划由一系列带约束非线形规划问题转化为一系列无约束非线形规划问题来求解，仿真结果表明，罚函数方法是一种富有效率的解决机器人路径规划问题的方法，能够大幅度降低运算时间的复杂性，提高移动机器人的实时性。     

结合增广Lagrange罚函数的约束优化差分进化算法

利用增广Lagrange罚函数处理问题的约束条件,提出了一种新的约束优化差分进化算法。基于增广Lagrange惩罚函数,将原约束优化问题转换为界约束优化问题。在进化过程中,根据个体的适应度值将种群分为精英种群和普通种群,分别采用不同的变异策略,以平衡算法的全局和局部搜索能力。用10个经典Benchmark问题进行了测试,实验结果表明,该算法能有效地处理不同的约束优化问题。     

Self-organizing adaptive penalty strategy in constrained genetic search

This research aims to develop an effective and robust self-organizing adaptive penalty strategy for genetic algorithms to handle constrained optimization problems without the need to search for appropriate values of penalty factors for the given optimization problem. The proposed strategy is based on the idea that the constrained optimal design is almost always located at the boundary between feasible and infeasible domains. This adaptive penalty strategy automatically adjusts the value of the penalty parameter used for each of the constraints according to the ratio between the number of designs violating the specific constraint and the number of designs satisfying the constraint. The goal is to maintain equal numbers of designs on each side of the constraint boundary so that the chance of locating their offspring designs around the boundary is maximized. The new penalty function is self-defining and no parameters need to be adjusted for objective and constraint functions in any given problem. This penalty strategy is tested and compared with other known penalty function methods in mathematical and structural optimization problems, with favorable results.