一类非线性极小极大问题的改进粒子群算法

针对一类非线性极小极大问题目标函数非光滑的特点给求解带来的困难,利用改进的粒子群算法并结合极大熵函数法给出了此类问题的一种新的有效算法。首先利用极大熵函数将无约束和有约束极小极大问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后用数学中的外推方法给出一个新的粒子位置更新公式,并应用这个改进的粒子群算法来优化此问题。数值结果表明,该算法收敛快﹑数值稳定性好,是求解非线性极小极大问题的一种有效算法。     

一种非线性互补问题的信赖域算法收敛性

针对非线性互补问题求解困难,利用信赖域算法,并结合极大熵函数法给出该类问题的一种新的有效算法．该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,然后应用信赖域算法来优化该问题,并在一定条件下证明该算法具有全局收敛性。数值算例表明算法的有效性。     

非线性粒子群算法

提出了一种新型的粒子群算法一非线性粒子群算法,给出了计算公式并进行了实验模拟.非线性粒子群算法采用非线性计算公式调整粒子速度.由于非线性计算公式的多样性,因此可以构建种类繁多的具体的非线性粒子群算法.非线性粒子群算法一方面保持了标准粒子群算法的简单性,同时也具有更强的搜索能力.实际计算表明,只要能够选好非线性项中的参数,就可以提高算法的效率.     

非线性l-1模极小化问题的极大熵粒子群算法

针对非线性l-1模极小化问题,利用粒子群算法并结合极大熵函数法给出了此类问题的一种新混合算法。该算法首先利用极大熵函数将非线性l-1模极小化问题转化为一个光滑函数的无约束最优化问题,将此光滑函数作为粒子群算法的适应值函数;然后应用粒子群算法来优化此问题。数值结果表明,该算法收敛快、数值稳定性好,是求解非线性l-1模极小化问题的一种有效算法。     

基于粒子群算法的非线性方程组求解

将非线性方程组的求解问题转化为无约束极大极小优化问题,并应用一种新的进化计算（EC）方法——粒子群算法（PSO）求解此优化问题。数值实验的结果验证了该方法的可行性和有效性。     

一类非线性极小极大问题的粒子群-邻近点算法

针对每个分量函数都是凸函数的离散型非线性极小极大问题,提出一种全局收敛的粒子群-邻近点混合算法。该算法利用极大熵函数将极小极大问题转化为一个光滑函数的无约束凸优化问题;利用邻近点算法为外层算法,内层算法采用粒子群算法来优化此问题;数值结果表明,该算法数值稳定性好、收敛快,是求解此类非线性极小极大问题的一种有效算法。     

求解互补问题的极大熵差分进化算法*

针对传统算法无法获得互补问题多个最优解的困难, 提出了求解互补问题的差分进化算法。首先利用NCP函数, 将互补问题转换为一个非光滑方程组问题, 然后用凝聚函数对其进行光滑化, 进而把互补问题的求解转换为无约束优化问题, 利用差分进化算法对其进行求解。该算法对目标函数的解析性质没有要求且容易实现, 数值结果表明了该方法在求解互补问题中的有效性。     

非线性互补问题计算机实现

分析了非线性互补问题求解困难,利用粒子群算法并结合极大熵函数法给出了该类问题的一种新的有效算法。该算法首先利用极大熵函数将非线性互补问题转化为一个无约束最优化问题,然后应用粒子群算法来优化该问题,计算机程序实现表明该算法是有效的。     

求解非线性互补问题的熵函数认知优化算法

提出了一个求解非线性互补问题的熵函数社会认知优化算法。首先将非线性互补问题转化为非线性方程组来求解,然后利用熵函数法将非线性方程组求解转化为一个光滑的无约束优化问题,最后应用社会认知优化算法求解此优化问题。实验结果表明,该算法收敛速度快,稳定性好,是求解非线性互补问题的一种有效算法。     

非线性方程组问题的粒子群-邻近点混合算法

非线性方程组问题是一类经典的数值计算问题,单纯的进化算法不但需要很高的进化代数,而且也不能保证100％收敛到全局最优解。为求解此问题,把粒子群算法和邻近点算法相混合,利用邻近点算法作为外层算法,粒子群算法作为内层算法进行求解。实验结果表明该算法对凸问题有较好的计算效果,是求解非线性方程组问题的一种有效算法。     

飞行时间自适应调整的粒子群算法

为改善粒子群优化算法的搜索性能，提出一种飞行时间自适应调整的粒子群算法（FAA-PSO）。该算法在粒子群进化过程中随着进化代数增大自适应调整粒子的飞行时间，从而克服了传统粒子群算法中粒子飞行时间固定为1导致的粒子在迭代后期搜索性能下降的困难。数值结果表明，该算法有利于加速收敛，提高收敛精度。     

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。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。     

粒子群优化算法

粒子群优化(PSO)算法是一类随机全局优化技术,PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法、若干类改进的PSO算法及其应用,并讨论将来可能的研究内容。     

一类新颖的粒子群优化算法

粒子群优化(PSO)是一类有效的随机全局优化技术。它利用一个粒子群搜索解空间,每个粒子表示一个被优化问题的解,通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出一类新颖的PSO算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项。积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,该算法增加了限制搜索空间范围的机制,这对某些函数优化问题是必需的。用5个基准函数做的对比实验结果显示,该算法优于基本PSO算法以及自适应修改惯性因子的PSO算法。     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

基于多点力学的粒子群算法改进

针对于粒子群算法（PSO）易早熟、参数相关性强以及高维数据难以优化的问题。通过引入多点力学计算和理论建模推导,提出了一个新的粒子速度的计算方法。通过理论推导和实验证明对理论结果进行仿真和测试,对于常见的测试函数,新粒子群算法较标准粒子群算法有良好的适应性和准确性的改进。