一种基于单纯形法的随机微粒群算法

以保证全局收敛的随机微粒群算法SPSO为基础,本文提出了一种改进的随机微粒群算法--SM-SPSO。该方法是在SPSO的进化过程中,以单纯形法所产生的最优个体来代替SPSO中停止的微粒,参与下一代的群体进化。这样既可以利用单纯形法的收敛快速性,又可以利用SPSO的全局收敛性。通过对两个多峰的测试函数进行仿真,其结果表明在搜索空间维数相同的情况下,SM-SPSO的收敛率及收敛速度均大大优于SPSO。     

一种基于单纯形法的改进微粒群优化算法及其收敛性分析

针对现有微粒群优化算法难以兼顾进化速度和求解质量这一难题, 提出一种基于单纯形法的改进微粒群优化算法(Simplex method based improved particle swarm optimization, SM-IPSO). 该算法采用多个优化种群, 分别在奇数种群和偶数种群上并行运行微粒群算法和单纯形法, 并通过周期性迁移相邻种群间的最优信息, 达到微粒群算法和单纯形法的协同搜索: 单纯形借助微粒群算法跳出局部收敛点, 微粒群依靠单纯形提高局部开发能力. 为强化两种算法所起作用, 一种改进的微粒速度逃逸策略和Nelder-Mead单纯形法也被提出. 最后, 在Linux集群系统上运行所提算法, 通过优化五个典型测试函数验证了算法的有效性.     

一种改进的药代动力学参数优化方法及其应用

基于药代动力学参数优化方法PKAIN人工免疫网络算法,提出了迭代分组并发单纯形算子,并实现了线性网络抑制函数以简化人工免疫网络的参数设置。为了加快算法的搜索速度和搜索精度,提出了新型的人工免疫网络单纯形混合算法（PKAIN_spx）,用人工免疫网络实现粗粒度全局搜索,随后用单纯形进行精确搜索。仿真实验对改进的PKAIN算法（PKAIN_in）、人工免疫网络单纯形混合算法（PKAIN_spx）以及PKAIN算法进行了比较分析,结果表明PKAIN_spx算法在药代动力学参数优化中取得良好的实验效果。     

基于一种新的基因操作策略的改进遗传算法

提出一种新的基因操作策略,该策略利用单纯形法的思想产生新样本,将遗传算法寻优的随机性与传统算法寻优的方向性有机地结合在一起.仿真结果表明,将改进的遗传算法用于训练神经网络辨识器,可提高收敛速度和模型拟合精度.     

基于最优个体指导单纯形法改进的人工蜂群算法及应用

针对基本人工蜂群算法在求解复杂优化问题时,存在收敛精度低、收敛速度慢的缺点,提出一种基于最优个体指导单纯形法改进的人工蜂群算法。算法引入基于当前最优个体作为指导的单纯形法进行邻域搜索,以增强局部探索能力。同时采取保优策略,以加快收敛速度。通过6个标准测试优化问题的仿真实验表明,该算法较基本人工蜂群算法具有更高的求解精度和更快的收敛速度。将算法用于分数阶登革病毒传播模型的参数优化,所得的参数对应的模型输出与实际数据拟合情况较好。     

全局数值寻优的一种混合遗传算法

提出一种与单纯形法相结合，用于解决全局数值优化问题的混合遗传算法. 在该混合方法中，采用了非线性排序选择、多个交叉后代竞争择优、变异尺度自适应变化变异算子和适应性阶段进化策略等改进的遗传机制，并采用精英个体保留策略、修改的单纯形策略及改进的遗传策略共同产生下一代群体. 数值结果表明提出的该方法的有效性.     

单纯形法的改进萤火虫算法及其在非线性方程组求解中的应用

萤火虫算法(FA)是一种基于群体搜索的启发式随机优化算法,其模拟自然界中萤火虫利用发光的生物学特性而表现出来的社会性行为。针对萤火虫算法存在着收敛速度慢、易陷入局部最优、求解精度低等不足,利用单纯形法局部搜索速度快和萤火虫算法全局寻优的特点,提出一种基于单纯形法的改进型萤火虫算法(SMFA)。通过对标准测试函数以及非线性方程组的实验仿真,并与其他算法进行的对比分析表明,改进后的算法在函数优化方面有较强的优势,在一定程度上有效地避免了陷入局部最优,提高了搜索的精度。     

求解药代动力学参数的混合人口迁移算法

针对传统方法优化药代动力学参数时精度不高的缺陷,将Hooke-Jeeves算法与人口迁移算法有机融合,使两者取长补短,既提高了算法的精度,又加快了算法的收敛速度。将混合人口迁移算法用于血管外给药二室模型参数优化的实验之中,不仅比传统的残数法效果要好,而且比Hooke-Jeeves算法或人口迁移算法更优,精度更高。多次实验表明:算法具有良好的可靠性和稳定性,是一种较好的解决药代动力学参数的方法。     

改进单纯形算法构造平面结晶体群动力系统的广义M集

针对逃逸时间算法计算量大，构图时间长的特点，本文提出了改进的有约束的单纯形最优化方法，求解了使平面结晶体群映射的Jacobin矩阵｜DF｜=0的点集作为初始迭代点集。由Lyapunov指数判定初始迭代点集的动力学特性，构造了平面结晶体群动力系统的广义M集．研究表明。运用改进的有约束的单纯形法构造非解析映射的广义M集这一方法是有效可行的，改进方法大大提高了平面结晶体群广义M集的构造速度．实现了对参数空间的有效划分．改进单纯形法构造的广义M集的混合区域更为准确地反映了相应动力平面上的动力学特性．     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

一种改进的单纯形优化算法及其仿真研究

研究一种收缩系数和扩展系数适时适当变化的单纯形优化学习算法。用MATLAB语言编制仿真程序，该程序简单、通用。仿真结果表明，该算法与N—M法相比，有效地提高了寻优速度。     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法,能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中,提出了一种改进的遗传算法,可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

A Parallel Implementation of the Simplex Function Minimization Routine

This paper generalizes the widely used Nelder and Mead (Comput J 7:308–313, 1965) simplex algorithm to parallel processors. Unlike most previous parallelization methods, which are based on parallelizing the tasks required to compute a specific objective function given a vector of parameters, our parallel simplex algorithm uses parallelization at the parameter level. Our parallel simplex algorithm assigns to each processor a separate vector of parameters corresponding to a point on a simplex. The processors then conduct the simplex search steps for an improved point, communicate the results, and a new simplex is formed. The advantage of this method is that our algorithm is generic and can be applied, without re-writing computer code, to any optimization problem which the non-parallel Nelder–Mead is applicable. The method is also easily scalable to any degree of parallelization up to the number of parameters. In a series of Monte Carlo experiments, we show that this parallel simplex method yields computational savings in some experiments up to three times the number of processors.     

Constrained optimization by applying the /spl alpha/ constrained method to the nonlinear simplex method with mutations

Constrained optimization problems are very important and frequently appear in the real world. The /spl alpha/ constrained method is a new transformation method for constrained optimization. In this method, a satisfaction level for the constraints is introduced, which indicates how well a search point satisfies the constraints. The /spl alpha/ level comparison, which compares search points based on their level of satisfaction of the constraints, is also introduced. The /spl alpha/ constrained method can convert an algorithm for unconstrained problems into an algorithm for constrained problems by replacing ordinary comparisons with the /spl alpha/ level comparisons. In this paper, we introduce some improvements including mutations to the nonlinear simplex method to search around the boundary of the feasible region and to control the convergence speed of the method, we apply the /spl alpha/ constrained method and we propose the improved /spl alpha/ constrained simplex method for constrained optimization problems. The effectiveness of the /spl alpha/ constrained simplex method is shown by comparing its performance with that of the stochastic ranking method on various constrained problems.     

基于遗传模拟退火算法的压力传感器温度补偿系统

采用遗传模拟退火算法和LabVIEW技术对压力传感器的非线性和易受环境温度影响的特性进行改善,用以抑制非目标参量对压力传感器输出的影响。通过计算机仿真,此方法实现了压力传感器的温度补偿,其测量压力误差约为0.001MPa,有效地抑制了压力传感器的非线性和温度的影响。