单调线性互补问题全牛顿步内点算法

针对单调线性互补问题,构造了新的核函数．通过构造的核函数来确定搜索方向和逼近度量,接着给出了求解单调线性互补问题的全牛顿步内点算法,最后给出了算法的复杂性界．所构造核函数使得算法分析简单,采用全牛顿步避免了线性搜索．     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

一种新的Wolfe线搜索技术及全局收敛性

共轭梯度法是求解无约束优化问题的一种重要的方法,尤其适用于大规模优化问题的求解.通过应用计算βk的新公式求得一种新的共轭梯度法,在非精确线性搜索的Wolfe准则下证明新的共轭梯度法的全局收敛性,并且数值实验表明了这种线搜索下算法的有效性.     

一个新的非单调自适应信赖域方法

自适应信赖域方法是求解无约束非线性优化问题的一种有效方法．将非单调线搜索技术与自适应信赖域方法相结合,提出了求解无约束优化问题的一个新的非单调自适应信赖域方法．在适当条件下,证明了该算法的全局收敛性和局部超线性收敛结果．并对其进行了数值实验,结果表明该算法是可行的．     

无约束优化问题的Newton-过滤器算法

构造了求解无约束优化问题的新算法,该算法结合了一般的Newton算法的思想和过滤器线性搜索策略,一方面搜索方向由Newton算法产生;另一方面在接受新的迭代点时,采用过滤器线性搜索策略,确定步长,且新算法是全局收敛的.     

LPPDS:基于线性预测的准菱形搜索算法

为了降低快速运动估计算法的计算复杂度，提出了一种新的块匹配运动估计算法，称为基于线性预测的准菱形搜索算法.该算法运用小菱形搜索模板，先以预测到的最小失真点作为搜索中心进行一轮小菱形搜索，然后采用线性预测确定下一轮搜索的最佳中心点，从而更快地找到整像素最优点，减少整像素搜索时间；同时该算法能很好地与目前多种分像素搜索快速算法结合使用，从而降低整个运动估计的计算时间.实验结果表明，该算法在不牺牲图像质量和压缩效率的基础上使整像素搜索时间相对于菱形搜索算法平均减少了约15%.     

减小子波包调制波形功率比值的方法

针对子波包调制信号存在高的峰值功率与平均功率比值（PAPR）的问题,研究并比较了选择性映射和部分传输序列两种方法,在此基础上,提出了一种新的减小子波包调制信号PAPR的方法--循环移位线性搜索法,并通过计算机仿真分析了这种方法的性能。结果表明,循环移位线性搜索法是一种改进的部分传输序列方法,在性能和计算复杂度之间取得了较好的折衰。     

基于蚁群神经网络算法的机器人逆解

提出了一种机器人逆运动学问题建模的新方法．利用神经网络逼近机器人逆运动学的输入与输出、利用改进的蚁群算法学习神经网络．针对蚁群算法主要用于离散优化的特点,对基本的蚁群算法进行了改进,采用了全局搜索、局部搜索和确定性搜索,为连续问题的优化提供了一条新的思路．利用改进的蚁群算法学习神经网络．为神经网络提供了一种新的学习算法,使得该方法兼具了蚁群算法与神经网络的优点．应用实例表明了该方法的有效性。提高了机器人逆运动学求解的速度和精度．     

一种求解TSP的自适应蚁群优化算法

针对标准蚁群算法在求解旅行商问题（TSP）时存在收敛速度慢,易陷入局部最优等缺陷,提出一种自适应蚁群优化算法．该算法设计了一种实时监测机制和一种新的搜索方向,实时监测机制可以让算法跳出局部最优值,并且当算法跳出局部最优值时,沿着新的搜索方向搜索,可以加快算法收敛到全局最优．通过对典型的TSP实例仿真实验,与基本蚁群算法、MMAS算法相对比,结果显示该算法在克服早熟现象和收敛速度方面有很大的优越性．     

自寻优控制的辨识稳态值分析法

提出一种新的极值搜索法，即辨识稳态值分析法．它采用阶跃信号作为探索信号．据输出数据辨识输出稳态值的变化，从而确定寻优方响，逐步向系统的最优点逼近．此方法具有搜索精度高、抗干扰能力强等优点．