一类不可微优化问题的混合萤火虫算法

基于萤火虫算法与凝聚熵函数法解决非线性l1模极小化问题。利用凝聚熵函数将非线性l1模极小化问题的目标函数及约束函数分别转化为单一光滑函数,构造此光滑目标函数与光滑约束函数的精确罚函数,将此罚函数作为萤火虫算法的适应值函数进行求解,最后利用此罚函数的最优解来近似代替原非线性l1模极小化问题的解。数值实验结果表明,该算法可以有效求解非线性l1模极小化问题。     

非线性等式约束离散minimax问题的区间极大熵算法

研究了求解非线性等式约束离散mimimax问题的区间算法，其中目标函数和约束函数都是C^1类函数．利用极大熵函数和罚函数将问题转化为无约束可微优化问题，借助广义Krawczyk—Hansen算子建立了约束函数的区间迭代；讨论了极大熵函数和罚函数的区间扩张，证明了收敛性等性质，给出了无解区域删除原则，建立了区间极大熵算法．大量数值算例表明该算法是可靠和有效的．     

约束多目标优化问题的区间极大熵方法

根据多目标优化的基本原理，提出一种新的评价函数法，结合区间分析的方法，提出了求解多目标规划问题的区间极大熵方法，并进一步证明了此方法的收敛性．     

一类Min-Max-Min问题的极大熵函数法

研究了一类由连续可微函数构成的无约束M in-M ax-M in问题的数值求解方法,且通过构造目标函数的极大熵函数将其转化为无约束优化问题,并建立了基本算法,给出了数值算例,表明算法是可靠和有效的.     

极大熵原理与互补问题的一种迭代算法

把基于信息理论的极大熵原理应用到互补问题的一种等价的不动点格式中，构造了一种光滑的迭代算法，给出了迭代算法收敛的充要条件，对于对称单调的互补问题，给出了收敛的充分条件，扩充了原来的梯度投影法要求严格单调的限制，得出了与外梯度投影法类似的收敛性条件，最后，给出了数值算例，包括标准互补问题都题和随机生成的教师，并给出了该光滑控代算法与外梯度投影法的数值比较。     

关于一类不可微规划问题约束品性的一个注记

对一类目标函数由可微函数与凸函数之和组成、约束条件由Ⅳ的凸子集X上的可微非线性不等式组成的不可微规划问题，提出了一个Abadie型约束品性，证明了该约束品性弱于文献[1]中的两个约束品性，得到了该约束品性下的Kuhn—Tucker型最优性必要条件．所得结果推广了文献[1]中的相应结果.     

一类不可微优化的一阶最优性必要条件

考虑下述不可微优化问题：ｍｉｎｆ０（ｘ）＋ｇ０（ｘ）．ｓ．ｔ．ｆｉ（ｘ）＋ｇｉ（ｘ）≤０，（ｉ＝１．２、、、，ｍ），其中ｆｉ（ｘ）。（ｉ＝１、、、ｍ）为Ｒ＾ｎ上的拟可微函数（在Ｄｅｍｙａｎｏｖ和Ｒｕｂｉｎｏｖ意义下），ｇｉ（ｘ）。（ｉ－０，１、、、，ｍ）为Ｒ＾ｎ上的局部Ｌｉｐｓｃｈｉｔｚ函数，本文给出该问题物Ｆｒｉｔｚ Ｊｏｈｎ必要性条件，推文了以往Ｌｉｐｓｃｈｉｔｚ优化和拟可微优化的Ｆｒｉｔｚ     

一类求解无约束min-max问题的新算法

本文构造了对于极大值函数maxf_i(x)的一种新的光滑逼近—Vα-逼近。在此基础上,给出了一系列求解无约束min—max问题的新算法,并证明了算法的收敛性.数值结果表明算法是可行的,且对于奇异问题要比K.Madsen算法效果好.     

不等式约束极小极大问题的一种近似法

结合极大熵方法与不等式约束非线性规划的有关算法，提出了求解不等式约束极小极大非线性规划的一种近似法，并讨论了算法的有关收敛性     

非线性lp问题的极大熵方法

在非线性l1问题极大熵方法的基础上,构造了非线性f（0〈p〈1）问题的极大熵方法．为了克服lp问题的非光滑性,导出了极大熵函数,并证明了极大熵函数列的收敛性．根据同伦算法证明了极大熵函数的最优解序列逼近于非线性乞问题的最优解,并提出了解决计算过程中易于溢出的方法．最后,数值仿真表明算法是十分有效的．     

求解约束优化问题M-精英协同进化算法

提出了一种适用于约束优化问题的协同进化算法．该算法旨在模拟人类社会中团队的组建及其协作方式,并强调精英人才对团队建设的推动作用．算法将整个种群分为精英种群和普通种群,围绕各个精英来组建团队,使精英种群带动普通种群,进而带动整个种群不断进化．组建团队过程中,不同精英之间采用协作操作,精英对普通种群成员进行引导操作,其中协作操作和引导操作由若干交叉或变异算子的组合所定义．使用静态罚函数法将约束优化转化为无约束优化,利用13个约束优化测试函数对算法进行了测试．仿真实验和参数分析结果表明,该算法寻优精度高,算法稳定,运行时间少,其性能优于组织进化算法,能够有效解决复杂的约束优化问题．     

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.     

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。     

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.     

资源受限多项目调度的混合遗传算法

针对资源受限多项目调度问题,提出了改进后的混合遗传算法.该算法基于串行进度生成机制,结合多项目任务列表与项目优先权设计了新的染色体,所设计的交叉算子与变异算子均能保证所得新个体满足项目紧前关系约束,从而有效提高算法搜索效率.算法充分利用不同启发式算法构造初始种群,有效扩大种群多样性以避免过早收敛.算法采用正向逆向调度技术对调度方案进行优化,进一步提高了调度方案的质量.与其他多项目调度启发式算法相比,该算法能有效分配资源,显著缩短项目平均总工期.     

基于云差分进化算法的约束多目标优化实现

针对现有约束多目标算法存在收敛性、分布性不高等问题,提出一种基于云差分进化算法的约束多目标优化方法,通过云模型对差分进化算法的参数进行自适应处理;采用建立外部种群分别存储可行解和不可行解的方式处理约束条件,并对已有可行解集的更新方法进行改进,有效提高解集的分布性.提出新的变异策略,利用优秀可行解和不可行解的方向信息增强算法对解的探索能力.通过对CTP类标准问题的求解表明,与另外2种较为优秀的约束多目标算法相比,本算法显著提高了Pareto解集的分布性,且更接近于真实的Pareto前沿,有效地解决了约束多目标问题.