利用混沌搜索求解二层非线性规划问题

根据二层规划的特点，结合混沌优化方法，给出了求解一类二层非线性规划近似全局最优解的有效算法，算例表明，该方法简单有效，为研究二层规划提供了一种新的思路。     

求解约束规划的带缓和因子的填充函数算法

求解非线性约束规划的全局最优解是一个难点。本文利用罚函数法把不等式非线性约束优化问题转化为等价的无约束优化问题。然后给出了求解等价的规划问题的一类带缓和因子的填充函数,分析这类填充函数理论性质,给出了相应的算法和两个比较复杂数值验证例子。通过与其它方法以及标准答案比较,表明该方法是可行的。     

一个求解全局最优解的改进函数变换法

给出了一个求解非线性规划全局最优问题的含单参数改进的函数变换方法。给出了改进的辅助函数的定义。讨论了所构造的辅助函数的几个性质,并按照其理论性质设计了一个求解连续的非线性规划全局最优解的函数变换算法,并对几个经典的算例进行了数值试验。数值试验结果表明,所给的方法对解决非线性规划全局最优问题是有效和可信的。     

一类带有上下界约束的二次规划的多项式算法

讨论了一类带有上下界约束的二次规划问题,给出了一个求其全局最优解的多项式算法。此问题可应用于混料回归设计最优化问题。     

多人合作多目标交叉规划的一种算法

随着现代社会经济的飞速发展,各个经济系统的联系不断加强,如何实现各个系统的利益最大化和成本最小化,成为人们日益关注的焦点.针对该类问题,研究了一类多人合作多目标交叉规划.首先给出了多人合作交叉多目标规划的模型,从该模型出发给出了求解多人交叉多目标规划的一种算法:对交叉规划问题中的每个子目标函数求解,将交叉规划问题转化为非线性规划问题,通过引入罚因子,用外罚函数法求出非线性规划的最优解.该解也是多人多目标交叉规划问题的非劣解,从该非劣解出发进行搜索,寻找最优解.最后通过算例验证了算法的可行性和有效性.     

基于拉格朗日函数鞍点理论的剃度最优潮流算法研究

拉格朗日函数的鞍点符合非线性规划的K-T条件,是一种特殊的逗留点,当满足凸性条件时,又是全局最优解。在剃度法最优潮流的求解过程中,对应不等式约束的拉格朗日乘子的确定以及最优步长的求取等都是比较困难的问题,文中在采取一定的假设的基础上,运用鞍点迭代算法进行上述问题的求解,并在IEEE-30节点系统中进行验证,结果表明是一种非常有效的方法。     

线性—二次二层规划问题的性质及全局算法

二层规划是一类重要的优化问题．该文先给出线性－二次二层规划问题的性质,提出求解它的有效的全局算法,指出了算法的有限终止性．结果表明算法是可行的．     

下层解不唯一线性双层规划的全局优化算法

该文讨论一类线性双层规划:第一层中的目标函数和约束是线性的,第二层是解可以不唯一的带参数的线性规划。利用等价的Kuhn-Tucker条件将线性双层规划转化为单层非线性规划,其全局最优解可以在某个集合的极点上找到。在此基础上给出下层解可以不唯一的线性双层规划问题的一个全局优化算法。     

最优去杠杆化问题的新分枝定界算法

在不限制临时性和永久性价格影响的大小关系下,最优去杠杆化问题可归结为一个带有箱子 和二次约束的非凸二次规划问题,它是ＮＰ难问题．现有的拉格朗日方法未能保证找到问题的全局 最优解．结合二次凸松弛技术和拉格朗日方法,提出了求最优去杠杆化问题全局最优解的新分枝定 界算法,其中下界由拉格朗日方法得到,而上界由二次凸松弛求得,分析了算法的全局收敛性．数值 结果表明：该算法可以有效地找到最优去杠杆化问题的全局最优解．     

用遗传算法求SVM的最优超平面

支持向量机(SVM)是解决小样本学习问题的有力工具,其关键是如何得到判别样本类别的最优超平面。受约束条件的限制,最优超平面的求解比较繁琐。遗传算法具有全局搜索最优解的特点,是求最优值问题的非常有效的方法。由此,利用遗传算法得到了一个直接求最优超平面近似解的方法,该方法不同于传统的二次规划方法。     

全局优化的了望算法

提出求解全局优化问题的了望算法.了望算法利用了望技术确定群山最高点的常识,通过了望管理机制、了望点产生策略、局部问题构造与求解机制,能在较短的时间内求解全局优化问题.大量的测试表明,了望算法具有较高的收敛率和较强的获得问题全部解的能力,对初始点几乎没有依赖,参数选择简单.了望算法能够保证在迭代过程中迭代点的质量逐步变好,所提出的三层次记忆机制极大地提高了望算法的收敛速度.大量的对比测试也表明,在收敛率和全局搜索能力等方面了望算法较遗传算法有一定的优势,且在大多数情况下了望算法耗时较少.由于了望算法是根据人类的高级行为智能和推理智能提出的一种智能算法,它为解决全局优化问题开辟了一条新的途径.     

连续蚁群优化算法的研究

针对蚁群优化（ACO）只适用于离散问题的局限性，提出了连续蚁群优化算法（CACO）,保留
了连续问题可行解的原有形式，并融入演化算法（EA）的种群与操作功能。CACO将蚁群分工为全局和局部
蚂蚁，分别引领个体执行全局探索式搜优与局部挖掘式搜优，并释放信息素，由个体承载，实现信息共享
，形成相互激励的正反馈机制，加速搜优进程。实例测试表明，CACO适用于连续问题，全局寻优性能良好
，尤其对复杂的高维问题，更能反映其相对优势。最后讨论了局部寻优方法、全局蚂蚁配比、挥发因子和
种群规模等因素对CACO寻优性能的影响。     

改进蚁群算法在并联六自由度平台优化设计中的应用

蚁群算法在解决组合优化问题上有着良好的适应性，但直接应用于求解连续优化问题难以获得理想的效果．通过对蚁群算法中的全局搜索、局部搜索以及信息素更新规则等环节进行有效的改进，构成了可用于连续优化问题求解的改进蚁群算法．将该算法应用于以灵巧度为目标函数的并联六自由度平台结构设计问题中，通过与采用基本蚁群算法得到的优化结果进行比较，证实了改进蚁群算法具有较好的全局优化能力和较快的收敛速度，可以有效求解并联六自由度平台结构设计这一类连续优化问题．     

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.     

增强全局搜索和自适应蜉蝣算法

针对蜉蝣算法全局搜索能力较差和自适应能力弱等问题,提出一种增强全局搜索能力和自适应的蜉蝣算法——MIWMA。首先引入非均匀高斯变异策略对雄性蜉蝣和雌性蜉蝣进行位置更新,对全局最优位置变异引导其他个体向优良位置靠近,促使种群具有一定指导,从而提升全局搜索能力和增强种群多样性;其次,引入不完全伽马函数与Beta累加分布的自适应惯性权重对全局搜索和开发能力建立更好的平衡,平衡种群的全局搜索和局部搜索能力,进而提升算法收敛精度,利于种群全局搜索寻找最优解的潜力;引入局部停滞对抗策略,根据迭代停滞情况,调节蜉蝣速度更新的惯性部分和社会部分,使之具有最优搜索状态,增强算法全局搜索能力。利用经典测试函数集和IEEE CEC2021测试竞赛集进行测试优化比较,验证算法的有效性和稳健性,并利用Friedman和Wilcoxon秩和检验,分析表明：提出的算法有更好的稳定性、鲁棒性和可靠性。最后运用两个工程难题进行优化,结果验证了该算法在工程优化问题上的适用性,适合求解需求高精度的优化难题。     

基于粒子群的信赖域算法及其收敛性

把搜索性能良好的粒子群算法和总体收敛性良好的信赖域算法有效融合,提出了具有局部随机搜索和全局确定性搜索性能的新算法。该方法具有良好的全局收敛性,为解决多峰函数优化问题提供了一种有效的算法。     

Biogeography based optimization-proximal point algorithm for nonlinear minimax problems

Concerning the discrete nonlinear minimax problems with the convex function as each of its components, a new method, called the biogeography based optimization-proximal point algorithm, is presented. By using maximum-entropy methods, the minimax problem is transformed into the unconstrained optimization problem of the smooth function. The algorithm employs the proximal point algorithm as the outer algorithm, and the biogeography based optimization as the internal algorithm. The proposed algorithm which resolves several minimax problems is global convergent. Preliminary numerical experiments show that the proposed algorithm is an effective algorithm for nonlinear minimax problems.     

用改进蚁群算法求解多目标优化问题

蚁群算法是一种崭新的仿生模拟进化算法,该算法在许多领域已经得到应用。多目标优化问题是一类很重要的优化问题,优化与求解较难。对此,提出了一种改进蚁群算法用于求解多目标优化问题,得到一组变量的权重后,用一定数量的蚂蚁在解空间中首先随机搜索,然后模拟蚂蚁寻食的方式,通过信息素来指引搜索。给出了具体的算法,示例仿真说明了其有效性,并表明该算法可以快速发现多个全局最优解。     

一种求解多峰函数优化问题的新算法

一般的演化算法求解多峰函数优化问题采用笼统的评估机制 ,盲目评估现象明显 ,文章提出了求解多峰函数优化问题的一种新的演化算法 ,较好地避免了这种盲目现象 ,且有效地提高了算法的全局收敛性能