基于Kent映射的混合混沌优化算法

针对混沌优化算法易陷入局部最优、收敛慢和精度低的缺点,提出一种改进的变尺度混合混沌优化算法。为保证算法的全局收敛性,采用具有更好遍历性的Kent混沌映射代替传统的Logistic混沌映射;为提高收敛速度和解的精度,引入新的变尺度因子,在搜索最优解的末期使用Nelder-Mead单纯形法。通过数值实验对相关的4种算法进行比较,比较结果表明,该算法可以保证解的全局最优性、提高算法的收敛速度并提高获得的最优解精度。

基于固定宽度直方图的分布估计算法的一种改进

基于固定宽度直方图分布的分布估计算法(FWH),提出一个改进方案,即在FWH算法中加入概率阈值的要素,不使用改变区间长度的更新方式,保证区间个数不增加,并在更新候选解步骤中加入模式搜索法(Hooke-Jeeves方法),构造出一种改进的优化算法(HJ-FWH)。数值实验结果表明,改进后的算法在最优解精度和收敛速度方面均有了较大的提高。