改进混沌优化及其在非线性约束优化问题中的应用

:研究一种比较新颖的优化方法——混沌优化 ,并在此基础上提出改进的混沌优化 .它利用混沌变量的特定内在随机性和遍历性跳出局部最优点 ,并在局部搜索空间经过线性搜索提高解的搜索速度和精度 ,通过结合精确不可微罚函数以用于求解非线性约束优化问题 .仿真结果表明 ,与已有的直接搜索方法相比 ,该算法简单 ,容易实现 ,求解精度、收敛速度和可靠性较高 ,满足约束的效果较好 。

基于线性搜索的混沌优化及其在非线性约束优化问题中的应用

提出基于线性搜索的混沌优化方法 ,利用混沌变量的特定内在随机性和遍历性来跳出局部最优点 ,而线性搜索可以提高局部空间的搜索速度和精度。结合精确不可微罚函数求解非线性约束优化问题。仿真结果表明 ,该算法简单易行 ,求解精度、收敛速度和可靠性较高 ,是解决优化问题的一种有效方法。

BFGS修正算法在前馈神经元网络学习中的应用

介绍了拟牛顿公式中 BFGS修正算法和 Wolf- Powell不精确线性搜索准则所具有的全局收敛性质 。

非线性约束条件下一个收敛的梯度投影法

本文提出了一个非线性约束条件下新的梯度投影方法。在较简单的假设之下,此算法是全局收敛的,且和现有的非线性约束条件下的一些梯度投影法相比较为简单。