全局优化的一类新的F-C函数

针对求解全局优化问题,有很多种求解方法。文中提出了一种快速求解一般无约束最优化问题的辅助函数方法。即F-C函数方法。该方法与填充函数法和跨越函数法相比较,既有相同点又有不同点。F-C函数法最大的优点就是在极小化F-C函数阶段中只需要进行一次局部极小化算法就能得到比当前极小值更低的目标函数局部极小点。文中在无Lipschitz连续的条件下,给出了一类新的求解全局优化问题的F-C函数。文中讨论了该F-C函数的优良性质并对该函数设计了相应的算法。最后,通过数值试验表明该F-C函数方法具有有效性和可行性。     

一类求解全局优化问题的F—C函数法

填充函数法和跨越函数法是两种求解多变量、多极值函数全局最优化的有效方法,这些方法的关键是构造填充函数或者跨越函数.为此结合全局优化问题的填充函数法和跨越函数法,考虑优化问题minf(x),针对f(x)为无Lipschitz连续函数,定义了一个求解全局优化问题的F-C函数.基于这个定义,提出了一类无参数的F-C函数.研究了所构造F-C函数的理论性质,并按照其理论性质提出了一个求解无约束优化问题的F-C函数算法.数值实验表明,所给的方法是有效的.     

填充函数算法研究综述

该文主要介绍填充函数方法求解全局优化问题。利用填充函数方法可以有效的求解大规模的全局优化问题。填充函数方法的思想就是该算法的思想是在求得总体优化问题的一个局部极小点后,构造填充函数,通过极小化该填充函数找到比当前局部极小值更好的解。     

一类求多变量函数所有局部极小点的算法

为求出具有箱式约束的非线性全局优化问题所有的局部极小点,提出了一种基于Multistart 方法的新算法.结合目标函数在可行域内的总变差、下降率和凹凸性等信息,构造了一个刻划局部极小点分布的G-度量.将可行域剖分为若干个小区域,把初始点按G-度量值的比例分配在每块区域上,使得局部极小点密集的区域能够被分配较多的初始点进行搜索;给出了有效初始点的判断条件为了进一步减少局部优化算法的运行次数.针对G-度量计算量较大的问题,设计了相应的近似计算方法,降低了计算量.选择了4 个2 维~10 维具有大量局部极小点的测试函数进行求解,与Multisatart 和Minfinder 算法的实验结果进行对比,表明了该方法在收敛速度和搜索全部局部极小点上都有了较大的改进和提高.     

一类求全局最小点的填充函数及其算法

填充函数法是求解全局最优化问题的一种重要的方法,其关键之一在于构造一类性质良好的填充函数.文中基于填充函数的严格定义,针对全局优化问题(P0):min x∈R n f(x),在目标函数 f(x)满足一定条件的基础上,提出了一类求其全局最小解的填充函数,并在适当的假设条件下,研究证明了该函数的填充性质和其他的分析性质,并按照这些相关性质设计了相应的填充函数算法.该函数形式简单,便于计算.最后,还进行了数值试验测试,结果表明,该函数是可行的,算法是有效的     

约束非线性规划问题的辅助函数算法

研究有不等式约束的非线性规划问题,构造了一种新的两阶段算法:(1)利用传统优化方法求出原问题的一个局部极小点x*;(2)基于当前局部极小点和“准”罚函数的思想构造了一个辅助函数,该辅助函数连续可微、有界并且是凸的,该函数的局部极小点y*很容易求得,并且y*位于比x*更低的盆域中,从而y*可以作为第一阶段中的初始点,从而找到另一个更好的局部极小点.两个阶段不断循环,只要原问题具有有限个局部极小点,就可以找到它的全局极小点.为了测试算法的性能,对几个测试问题进行了求解.结果表明算法有效的,可以快捷的跳出局部极小点达到全局极小点.     

求解无约束全局优化的改进的单填充函数法

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,这种方法的关键是构造填充函数.为此文中根据文献[1]的思想,考虑优化问题minf(x)x∈Rn,针对f(x)为局部Lipschitz连续函数,构造了一种简单的单填充函数,容易证明相对于传统的填充函数,该填充函数在参数较小时就能保持其填充性质,且全局收敛速度快.根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,对4个基准测试函数的数值试验表明该方法是有效的.     

一类新的寻求全局最优解的填充函数

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,该方法最早由葛入溥在文献[1]中提出,这种方法的关键是构造填充函数.文中在无Lipschitz连续条件下,考虑用单参数填充函数求解无约束全局优化问题,给出了一类新的形式简单的单参数填充函数.容易证明该填充函数在参数充分小时就能保持其填充性质.根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,通过一些检验函数的数值运算结果验证了算法的可行性和有效性.     

一种快速逃离局部极小点的BP算法

针对反向传播(BP)算法容易陷入局部极小点的问题,提出了一种改进价值函数,使其快速收敛到全局最小点的方法。对扩展的异或问题正弦函数模拟进行了仿真实验,结果对比表明,改进的BP算法能快速逃离局部极小点,收敛到全局最小点,达到了期望的效果。     

求解无约束全局优化的改进的单填充函数法

填充函数法是一种求解多变量、多极值函数全局最优化的有效方法,这种方法的关键是构造填充函数。为此文中根据文献[1]的思想,考虑优化问题minf（x）x∈R^n,针对f（x）为局部Lipschirz连续函数,构造了一种简单的单填充函数,容易证明相对于传统的填充函数,该填充函数在参数较小时就能保持其填充性质,且全局收敛速度快。根据这个填充函数还提出了一个求解无约束优化问题的填充函数算法,对4个基准测试函数的数值试验表明该方法是有效的。     

基于变分的图像恢复算法及收敛性

提出了一种保持边缘的正则化图像恢复算法,该方法可有效地用于求解线性逆问题的 非凸优化过程.通过对正则化函数及相应泛函性质的理论分析,得出了使泛函达到最小的正则 化函数表达式;引入一个与原非凸泛函相应的二元泛函,将非凸优化问题转化为本质上的凸优 化问题,采用松弛迭代算法获得非凸优化问题的局部极小解;证明了所提出的算法是全局收敛 的.通过实验验证了算法的有效性.     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

斐波那契树优化算法求解多峰函数全局最优解的可达性分析

为分析和验证斐波那契树优化算法（Fibonacci tree optimization algorithm,FTO）求解多峰函数全局最优解的算法性能,对算法的可达性问题进行研究.本文基于斐波那契法构造一个斐波那契树结构,在搜索空间中进行全局、局部交替搜索,不易陷入局部最优解.对斐波那契树优化算法基于该结构的可达性进行分析和证明.通过跟踪算法求解过程中坐标点的累积分布仿真实验和到达率的对比实验,分析和验证了算法求解多峰函数全局最优解的可达性.     

求无约束优化问题的无参数填充函数法

填充函数作为求解优化问题的有效方法之一,以填充函数的基本思想为基础,构造了新的无参数填充函数,该函数形式简单,便于计算。分析了该函数的相关性质并设计了相应的算法,最后通过数值实验,结果表明提出的算法是可行的、有效的。     

球隙迁移算法实现全局优化

给出一种新的优化算法:球隙迁移法.该方法不是已有方法的融合或改进,它利用搜索过程中积累的极小点分布信息形成球隙,以此启发、指导后来的搜索区域,不但逃离了当前局部极小,还能有效地避免重复历史上的多个局部极小.目前的智能算法中,勘探和开采行为相耦合,球隙法实现了勘探与开采的分离,避免了相互干扰,减小了代价,对变量耦合对象的优化效果好.文中证明了球隙法能在有限计算次数内确定地找到连续函数的全局最优.     

一种基于模式搜索算子的人工萤火虫优化算法

人工萤火虫算法是群智能领域近年出现的一个新的研究方向,该算法已在复杂函数优化方面取得了成功,但也存在着易陷入局部极小且进化后期收敛速度慢等问题.而模式搜索具有很强的搜索能力,但其搜索结果的好坏在很大程度上依赖于初始点的选择.结合两者的优缺点,提出一种基于搜索算子的人工萤火虫算法.该算法在人工萤火虫算法全局搜索过程中融入模式搜索法,改进人工萤火虫算法全局搜索和局部搜索能力.仿真实验结果表明,该算法收敛速度和解的精度显著地提高,是求解函数优化问题的一种可行和有效的方法.     

基于学习的遗传算法及其在布局中的应用

布局问题属于具有很强应用背景的组合优化问题,除其内在的NP完全的计算复杂性,布局还包括约束复杂性问题和布局物体与空间的形状复杂性问题。针对布局求解中存在的问题,该文进行了基于全局优化的布局求解方法研究。布局问题中有一类关于复杂分片光滑连续函数全局优化算法,但目前的各种遗传算法的效率和精度不能令人满意。文中从生物可以从环境中学习生存技巧、自主的趋利避害的思路出发,增加了学习算子,引用函数的局部信息,构造拟牛顿方向,令每个个体在当前状态下有目的地搜索,最有效的向局部最优点趋进。通过典型测试函数与传统遗传算法,模拟退火算法,复合形法进行比较验算,表明该算法具有优良的求解质量和较好的求解效率;并以旋转卫星舱布局的简化模型为背景,建立多目标优化数学模型,与传统遗传算法和乘子法的计算结果比较,该算法求解的质量和效率更优。该文研究表明,基于学习的遗传算法在布局优化中具有应用潜力;启发式随机搜索策略和局部优化算法相结合的求解方案是解决复杂函数优化的有效途径。     

一种有效的解无约束全局优化的进化算法

为了解决进化算法在求解全局优化时易陷入局部最优和收敛速度慢的问题,设计了一个杂交算子,利用种群中最好点与其他点间的关系确定搜索方向,从而快速地找到实值函数的下降方向,一旦算法找到优于种群中最好点的点,利用所构造的两条直线交点的投影对其进行进一步优化,使函数值更迅速地下降.提出了适合杂交算子的初始种群生成方法.设计了一个既能提高收敛速度又能摆脱局部最优的变异算子以增强算法的效果.在此基础上,提出了一个求解全局优化问题的高效进化算法,并从理论上证明了全局收敛性,从数值上验证了有效性.     

基于全局优化搜索算法的图像分割研究

基于聚类的图像分割算法中,由于模糊C-均值算法需要初始化,并且目标函数存在许多局部极小点,如果初始化落在目标函数的局部极小点附近,就会造成算法收敛到局部极小.为了解决此问题,采用全局优化搜索算法,提出了将全局优化搜索技术引入进来对模糊C-均值算法加以改进,分析了在不同初始条件下,对许多样本的聚类分析时,全局优化搜索算法比传统的模糊C-均值聚类算法更加有效,通过仿真实验验证并对算法性能进行理论分析.     

基于平滑技术和一维搜索的全局优化进化算法及其收敛性

为了解决全局优化算法中的一个难点--算法易于陷入局部极小点,设计了一个平滑函数,该函数可以消除一些局部极小点,而在包含最优点的部分,函数保持不变.这样,通过对此平滑函数的优化,局部极小点的数目就会在迭代过程中大量地减少,使算法更易找出全局极小点;根据平滑函数的性质,设计了一个新的杂交算子,此算子能自适应地产生优质的后代;利用平滑函数的性质,巧妙地将一维搜索技术用于算法的设计之中,从而使算法的速度大大提高;在此基础上,设计了一个解全局优化问题的新的高效进化算法,并且证明了其全局收敛性.最后的数值实验也表明新算法十分有效.