一般约束优化含等式约束问题的鲁棒信赖域算法

针对一般约束优化问题进行了研究.利用引入罚函数将一般约束问题转化为一个只含不等式约束的的参数规划问题的技巧,将不等式约束优化问题的一个鲁棒信赖域算法扩展到一般约束优化问题中,并保留了算法的良好性质;同时,在一定条件下,得到了算法的全局收敛和超线性收敛.     

约束优化一个线性逼近算法

针对含有非线性不等式及线性等式与不等式约束的问题,给出了一种线性逼近算法。通过构造一个类似TV方法的子问题产生改进方向,利用Armijo线搜索产生步长,并在较弱的条件下得到了算法的全局收敛性。     

使用L1罚参数的非单调收敛SQP算法

对带有等式和不等式约束条件的最优化问题，本提出了一个利用非单调收敛技术的ＳＱＰ算法，该算法利用非单调技术进行一维搜索，使用线性方程代替子二次规划的求解以得到二阶校正方向，不仅有效地克服了“Ｍａｒａｔｏｓ”效应，而且与以往的ＳＱＰ型算法相比，大大地减少了计算量。在一定的条件下，我们证明了算法的全局收敛性和局部超线性收敛性。     

非线性规划中的投影变尺度算法

利用投影变尺度算法,求解一类包含等式和不等式约束的一般非线性规划问题。算法基于积极集,将下降方向、可行方向、修正方向3个方向的合理组合作为算法搜索方向,且可行方向与修正方向仅需修改变尺度投影梯度方向中的部分分量。在可行集非空、问题函数2次连续可微、约束条件线性无关等条件下,证明了算法的全局收敛性和超线性收敛性。     

解一般约束优化问题的牛顿法的超线性收敛性

文献[2]提出了基于F-B函数的解一般约束优化规划问题的牛顿算法,但仅给出了该算法的全局收敛性。在该算法的基础上,进一步证明了该算法的超线性收敛性。     

基于增广Lagrange函数的等式约束优化算法

等式约束优化问题是一类比较常见的也是比较简单的约束优化问题,通过研究带有等式约束的优化问题,提出了一个基于增广Lagrange函数的新算法.在新算法中将增广Lagrange函数作为价值函数,将约束优化问题转化为无约束优化问题,用无约束优化方法去解决等式约束优化问题.算法中每一步迭代只需求解一个简单的线性方程组,不需要太大的计算量就可以找到下降方向.算法中初始点是任意的,在适当条件下保证避免罚因子趋于无穷,可以证明算法全局收敛于原问题的KKT点.     

非线性等式约束全局优化问题的区间算法

研究非线性等式约束全局优化问题，其中目标函数和约束函数为C^1类函数，针对非线性等式约束函数，定义了广义Krawczyk算子，建立了约束函数的区间迭代和新的无解区域删除原则，在此基础上，基于罚函数法和区域二分原则，构造了求解非线性等式约束全局优化问题的区间算法，理论分析和实例计算均表明算法是可靠和有效的，且该算法保证求出问题的整体解。     

线性互补约束均衡问题的一个光滑技术及全局收敛性

利用一个新的互补函数及光滑近似法的思想将线性互补约束均衡问题转化为等价的光滑非线性方程组来求解.提出了一种基于线搜索规则的SQP算法,并在非退化假设条件下得到该算法是全局收敛性结果.     

广义既约变尺度法的收敛速度

本文讨论了广义既约变尺法的收敛速度，在适当条件下，证明其收敛速度为超线性的。     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

约束优化问题的免疫混沌算法

结合免疫算法极强的全局搜索能力以及混沌优化方法适合局部搜索的特点，提出了一种新的免疫混沌算法.从一组可行解出发，采用免疫算法通过克隆选择、克隆扩增、高频变异和审查形成记忆细胞，并将其作为全局近似最优解，然后采用混沌优化方法按照混沌运动规律在近似最优解的邻域内进行局部搜索并审查，从而获得全局精确最优解.审查过程包含了对约束条件的处理，即对新产生的候选解进行审查，保留满足约束条件的可行解.利用该算法对几个经典约束优化问题进行了仿真测试，与以往方法相比获得了更优的结果，表明该算法是一种解决约束优化问题的有效方法.     

A new evolutionary algorithm for constrained optimization problems

To solve single-objective constrained optimization problems,a new population-based evolutionary algorithm with elite strategy(PEAES) is proposed with the concept of single and multi-objective optimization.Constrained functions are combined to be an objective function.During the evolutionary process,the current optimal solution is found and treated as the reference point to divide the population into three sub-populations:one feasible and two infeasible ones.Different evolutionary operations of single or multi-objective optimization are respectively performed in each sub-population with elite strategy.Thirteen famous benchmark functions are selected to evaluate the performance of PEAES in comparison of other three optimization methods.The results show the proposed method is valid in efficiency,precision and probability for solving single-objective constrained optimization problems.     

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新．同时,简要分析了人工鱼群算法的随机收敛性．仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性．     

求解约束优化问题的偏好多目标进化算法简

Constrained optimization problems (COPs) are converted into the bi-objective optimization problem and solved with a new preference based multi-objective evolutionary algorithm. A new hybrid crossover operator is proposed to improve the search ability in the evolutionary process, and also a novel fitness function with preference based on the achievement scalarizing function (ASF) which is used in the method of weighted metrics in multi-objective optimization is presented. The new fitness measures the merits of individuals by the weighting distance from individuals to the reference point, where the reference point and the weighting vector afford the preference for selection. In different evolutionary stages, the reference point and weighting vector are chosen adaptively according to the individuals in population to make a tradeoff between the preferences to the two objectives. Numerical experiments for several standard test functions with different characteristics illustrate that the new proposed algorithm is effective and efficient.     

混沌优化算法在非线性约束规划问题中的应用

综述了混沌优化算法在国内的研究历史与现状 ,介绍了算法的基本步骤 .针对非线性约束问题 ,提出了一种新的、可行的混沌优化算法 .实例计算表明 ,该算法稳定性好、简单、易于掌握 ,对于多维、非线性、复杂约束问题的求解具有普适性     

一种新的差分进化约束优化算法

对于约束优化问题,目前提出的差分进化算法大多采用罚函数法,但此方法对罚参数有很强的依赖性.基于此,把约束优化问题中的约束条件当作一个目标函数,从而把约束优化问题转化为有两个目标函数的多目标优化问题.借鉴多目标优化中的Pareto的概念,对种群中的个体规定等级,便于在优胜劣汰过程中确定选择概率.同时,在算法陷入局部最优时,采用一种不可行解替换机制来提高算法搜索能力.对13个标准测试问题的测试结果表明,与动态惩罚函数的进化算法、可行性规则的差分进化算法、采用随机排序的进化策略以及人工免疫响应约束进化策略相比,新算法在求解精度上均具有一定的优势.     

一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

非线性极小极大问题的分数阶粒子群算法

针对非线性极小极大问题中目标函数不可微的特点以及传统计算方法对初始点的依赖,结合分数阶粒子群算法与极大熵函数法,给出一种解决非线性极小极大问题的新算法。先利用极大熵函数法将目标函数转化成可微函数,再利用分数阶粒子群算法求解可微的近似优化问题。8个问题的数值测试结果表明,所给算法收敛速度快,稳定性好,可有效解决非线性极小极大问题。