基于增广Lagrange函数的等式约束优化算法

等式约束优化问题是一类比较常见的也是比较简单的约束优化问题,通过研究带有等式约束的优化问题,提出了一个基于增广Lagrange函数的新算法.在新算法中将增广Lagrange函数作为价值函数,将约束优化问题转化为无约束优化问题,用无约束优化方法去解决等式约束优化问题.算法中每一步迭代只需求解一个简单的线性方程组,不需要太大的计算量就可以找到下降方向.算法中初始点是任意的,在适当条件下保证避免罚因子趋于无穷,可以证明算法全局收敛于原问题的KKT点.     

几何约束求解的BFGS混沌混合算法

为了提高约束求解的效率和鲁棒性，提出了一个将混沌方法嵌入BFGS算法的约束求解混和算法.将
约束求解问题转化为优化问题，并对多变量函数求全局极值，用混沌算法跳过局部搜索陷阱.算法分析确
定几何元素的初始搜索范围，并利用BFGS方法的超线性收敛速度和混沌优化方法的内在特点进行求解.对
Camel函数极值和正五边形约束求解的实验结果表明，该混合算法能够处理欠/过约束问题，有效克服BFGS
算法容易陷入局部最优以及无法越过临界点的情况，可以高效鲁棒地进行约束求解.     

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.     

约束自适应粒子群优化算法及水厂调度

针对粒子群优化算法应用于约束优化问题时易陷入局部极小值的问题,提出了一种改进的粒子群优化算法. 该算法综合了约束优化问题的目标函数值和约束函数的违反度值作为粒子群优化算法的双适应度值, 采用了双适应值动态判断粒子群优化算法中粒子的优劣. 违反度值的计算引入了自适应加权系数,相应地提出了调整各权系数的自适应策略, 并改进了粒子群优化算法的粒子竞争选择策略,拓展了粒子群优化算法的单适应值的应用范围.应用约束自适应粒子群优化算法实现了城市水厂的节能优化调度. 结果表明, 该算法收敛速度快且结果可靠. 粒子群优化算法为解决工程约束优化问题提供了一条可行途径.     

基于微粒群优化和模拟退火的约束广义预测控制算法

提出一种基于微粒群优化和模拟退火的约束广义预测控制算法,将微粒群优化和模拟退火引入到广义预测控制的滚动寻优过程中,增强对约束边界的搜索能力,并将约束条件构成约束违反度函数和适应度函数一起判断最优解的优劣,该算法可以有效地提高广义预测控制处理约束的能力.通过对一个工业对象的仿真,验证了该算法的可行性和有效性.     

概率约束稳健恒模自适应波束形成算法

针对恒模信号,将概率约束稳健算法与恒模算法相结合,提出一种新的稳健自适应波束形成算法.先将导向偏差分为高斯随机分布和未知分布2种场景,分别建立优化代价函数,并将该优化问题转化为二阶锥规划问题,运用内点法高效求解.然后对算法求解的全局最优性进行理论分析.在数值仿真部分,用所提算法与相关稳健算法作对比仿真,验证该算法的优越性和有效性.     

约束优先边值固定最优控制嵌套优化方法

针对边值固定的最优控制问题,提出一种约束优先嵌套优化方法,将边值固定问题转化为嵌套的2个边值无约束最优控制问题.将两点步长梯度法实行内层优化求解满足边值约束的可行控制策略,与无记忆拟牛顿法实行外层优化求解最优目标函数相结合,避免了罚函数法的不足,提高了优化算法收敛的稳定性和高效性.同时引入一种特殊的控制变量转换方法,通过中间变量和函数转换消除控制边界约束.经典实例的研究结果表明,该算法在收敛性能和求解效率方面具有显著的优越性.     

解动态约束规划问题的差分进化算法

动态约束规划问题求解的困难在于如何处理问题的约束及时间(环境)变量.本文给出了求解一类定义在自然数集上的动态约束规划问题的差分进化算法,该方法借助于问题的约束条件设计了一种新的适应度函数及选择算子、同时给出了一种带一维不精确局部搜索的变异算子极大地增强了群体的多样性、提高了算法跳出局部最优的能力.数值试验表明,该算法性能稳定性较好,收敛速度较快,全局搜索能力较强,其对动态非线性约束规划问题求解是有效的.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

一种用于全局优化的蚁群算法

针对蚁群算法不太适用于连续优化问题,且在搜索过程中容易陷入局部极值的缺点,提出了一种快速全局优化的改进蚁群算法,该算法同时采用在最好解蚂蚁领域内进行搜索及将本次循环得到的最优解作为起始解的搜索方式,以扩大其搜索范围,避免其陷入局部最优。通过对3个典型函数优化问题进行测试并与其他优化算法进行比较,结果表明该改进算法不仅能应用于对连续对象的优化,同时具有良好的全局优化性能,收敛速率快,寻优精度高。