一类无约束优化问题的信赖域过滤器算法

构造了一个求解无约束优化问题的新算法,结合了采用修正BFGS（MBFGS）算法的信赖域思想和多维过滤器算法策略．搜索方向的产生类似于MBFGS算法;在接受新的迭代点时,采用多维过滤器算法的策略及信赖域思想,新信赖域算法是全局收敛的．     

一个带线搜索的自适应信赖域算法

对无约束优化问题提出了一个带线搜索的非单调自适应信赖域算法,每次迭代都充分利用当前迭代点包含的二次信息自动产生一个信赖域半径.在试探步不被接受时,算法并不重解信赖域子问题,而采用非单调线搜索,从而减少了计算量.在适当的条件下,证明了算法的全局收敛性.     

基于信赖域子问题的共轭梯度法

对于求解无约束优化问题,利用重新开始的三项共轭梯度法与信赖域方法结合,并引入非单调技术,当迭代不成功时,改进后的算法保留一些有用信息,提高了算法的有效性。在适当的条件下,给出了新算法的全局收敛性,数值试验结果表明新算法是有效的。     

多峰极值优化问题的算法性能分析和比较

对两种多峰极值优化问题的求解算法进行性能分析和比较,结果表明遗传加速信赖域搜索算法在信赖域迭代点变化速度受到信赖域半径约束时,采用具有并行性能的遗传算法在扩大了的信赖域内求解信赖域子问题,得到加大了的迭代步长,摆脱了短步长迭代的约束,同时通过调节参数控制了遗传算法加速次数的多寡,能更快地收敛到全局最优点,与遗传信赖域方法相比计算效率更高、计算结果更可靠．     

求解非线性方程组的非单调自适应信赖域方法

提出求解非线性方程组的非单调自适应信赖域法,每次迭代都充分利用当前迭代点包含的二次信息自动产生一个信赖域半径,所用的计算信赖域半径的策略没有增加额外的计算量。在通常的假设条件下,证明了算法的全局收敛性。     

一个带有线搜索的自适应混合折线信赖域算法

将文献[2]求解信赖域予问题的混合折线法与文献[1]的自动确定信赖域半径的方法相结合,并且在试探步不可接受时,采用线搜索来计算下一个迭代点,提出了求解无约束优化问题的一个带有线搜索的自动调节信赖域半径的混合折线信赖域算法。在通常条件下,证明了算法的全局收敛性。数值结果验证了新方法的有效性。     

非线性约束优化问题的组合信赖域与线搜索算法

对非线性等式约束优化问题提出了一个组合信赖域与线搜索求解算法.与传统的信赖域方法比较,该算法的特点是当试探步不被信赖域方法接受时,无需重新求解信赖域子问题.通过计算实例,比较了纯信赖域算法与组合算法的计算工作量.     

一种求解约束优化问题的新的罚信赖域算法

很多现实的优化问题都能描述成一个约束优化问题。目前,已有很多经典的方法用来解决这类问题,其中尤以罚函数法最受青睐。本文中,提出了一种新的罚信赖域算法。新算法构造了两个光滑函数用来近似罚函数,并结合了信赖域算法。最后也对算法收敛性做了一些讨论。     

无约束优化中一种新的非单调梯度路径信赖域方法

论文讨论解无约束优化的信赖域方法.信赖域方法关键是在迭代的每一步要解一个信赖域子问题.在解决子问题的众多方法中,文献[1]中的Levenbcrg-Marqurdt方法是在信赖域内,从(χx)出发沿着牛顿方向寻找最优解.但是它需要计算Bk及Hessian其逆阵,工作量较大,故只能适用于中小规模问题.论文对Hessian阵进行近似处理,形成新的梯度路径,并将此技术与非单调技术结合用于信赖域算法中去,我们并证明了收敛性.     

线性约束优化问题的一类非单调信赖域算法

对线性约束优化问题提出了一类非单调信赖域算法.当试探步不成功时,并不重解子问题,而是利用非单调线搜索得到试探步及下一迭代点,有效地减少了计算量.证明了算法的全局收敛性.     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

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.     

用于连续函数优化的蚁群算法

为了用蚁群算法来解决连续优化问题，该算法将函数优化问题中生成解的过程转化为蚁群每前进一步就选择一个十进制数字并以此来生成一个十进制串的过程。与普通蚁群算法相同，蚁群在选择数字的过程中将一定量的信息记录在每条选择的路径上以改变下一次蚁群选择各个数字的概率。实验数据表明，文中的函数优化算法能比遗传算法以及其他用于连续优化的蚁群算法更快地找到更好的解。这种算法为蚁群算法求解连续优化问题提供了一种新的方法。     

采用HC-MARPSO算法的软件测试数据生成方法

在吸引排斥粒子群算法(ARPSO)基础上,引入新的种群多样性度量指标和排斥操作,提出改进的吸引排斥粒子群算法(MARPSO)。结合爬山算法(HC)的局部收敛能力和改进的吸引排斥粒子群算法避免早熟的特点,提出基于爬山算法和改进吸引排斥粒子群算法(HC-MARPSO)的软件测试数据自动生成方法。实验结果表明,该算法在生成测试数据的效率上高于遗传算法、粒子群算法。     

基于蚁群算法的PID参数优化

针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化,提出了一种新型的基于蚁群算法的PID参数优化策略.蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用分布式并行计算机制.在简要介绍蚁群算法基本思想的基础上,推导了蚁群算法PID参数优化方法,并给出了新算法的具体实现步骤,最后将该优化方案应用于某型高精度飞行仿真伺服系统.仿真应用研究表明,该PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了该方案的可行性和有效性.     

基于叠前资料的新型属性优选算法

为了实现属性优选的定量化评价,提高属性优选的准确率,提出了一种新型属性优选算法,将非线性支持向量回归机(SVR)引入到遗传算法(GA)当中,在适应度评价时,使用SVR建立属性集与储层特征参数的定量计算关系,并且,首次将该新型属性优选算法应用到叠前叠后属性的优选。该方法在胜坨地区沙四纯上段进行应用,一方面避免了基于叠后地震属性的预测方法存在不确定性的问题,另一方面预测出了更加符合地质认识的储层展布结果。     

一种随机并行算法-aloPex算法的改进

alopex算法是一种新的启发式与随机优化相结合的算法。通过对alopex算法的研究和大量的试验,对alopex算法的优化策略做了一定的改进,以提高该算法的收敛性和收敛速度。实验证明,这种改进是可行的,而且是有效的。     

一种最速下降的贪婪迭代算法

压缩传感应用于图像压缩重构的算法通常有凸优化算法和贪婪迭代算法两大类.一般而言,凸优化算法重构概率高、速度较慢,贪婪迭代算法具有较快的重构速度,但损失了重构质量.结合凸优化算法中的最速下降法及贪婪迭代算法中的正交匹配算法(OMP),提出了一种新的算法,并应用于一维信号和二维图像信号的压缩重构实验,且深入对比分析了不同降采样矩阵对新算法的影响.结果发现,对同一降采样矩阵,即使图像的纹理不同,新算法在重构质量及重构时间上都优于原始的OMP算法.     

混沌粒子群优化算法在水库防洪优化调度中的应用

为改善粒子群优化算法的寻优性能,提出了一种新的算法——混沌粒子群算法。该算法将混沌搜索机制引入到粒子群算法中来增加粒子的多样性,采用自适应惯性权重因子模型来设置惯性权重因子,改善了算法的全局寻优能力,并将其用于水库防洪优化调度中。实例计算表明该算法能较好地克服了粒子群算法易早熟和陷入局部最优的缺点,为解决水库防洪优化调度问题提供一种新的有效途径。     

Fuzzy optimization neural network model based on LM algorithm

A new fuzzy optimization neural network model is proposed based on the Levenberg-Marquardt (LM) algorithm on account of the disadvantages of slow convergence of traditional fuzzy optimization neural network model. In this new model,the gradient descent algorithm is replaced by the LM algorithm to obtain the minimum of output errors during network training,which changes the weights adjusting equations of the network and increases the training speed. Moreover,to avoid the results yielding to local minimum,the transfer function is also revised to sigmoid function. A case study is utilized to validate this new model,and the results reveal that the new model fast training speed and better forecasting capability.