单纯形-多目标粒子群优化方法的混合算法

粒子群优化算法的局部搜索能力较差 ,在利用该算法求解复杂的多目标工程优化问题时 ,往往很难求得质量较好的非劣解集。对此 ,提出了单纯形 -多目标粒子群优化方法的混合算法 ( SM-MOPSO) ,该算法不仅继承了粒子群优化算法的优点 ,而且具有很强的局部搜索能力和较好的鲁棒性能 ,不仅使非劣解集均匀分布 ,尽可能的逼近真实的非劣前沿 ,并且扩展了非劣解集的范围 ,使非劣解集对于每个单目标而言都有较广的覆盖范围。文中以两目标十杆和二十五杆桁架结构作为算例 ,取得了很好的优化结果 。

关于使用最大改进规则的单纯形算法

文[5]建立了定理5-3、5-4、5-5,并据此证明了采用该文的最大改进规则的单纯形算法是多项式算法。本文举例证明了文[5]中的定理5-3、5-4、5-5是错误的。

线性规划的一种外点单纯形算法

提出了一种求解线性规划(LP)的改进的单纯形法,其迭代过程产生的一部分极点可能出现在可行域外成为不可行极点,因此称之为外点单纯形法.虽然该方法还不能通过复杂性分析证明只需至多n次迭代便可收敛到最优解,但比较Da ntzig的沿可行域内边界进行的单纯形法,一般能更快地迭代到达最优点,且在选择旋转主元时,计算量只有温和的增加.

一种改进的单纯形算法实现及其应用

针对资源最优配置问题,在对单纯形算法描述的基础上,提出了一种改进的单纯形算法,介绍了其实现方法,并用实例验证了其有效性。

基于单纯形算法的优化设计与实现

阐述了线性规划标准形式及转换方法,介绍了单纯形算法,并设计实现算法,提出了一种单纯形表快速操作技术。

Curet原始-对偶单纯形算法的推广

Curet原始-对偶单纯形算法的实质是在保持对偶可行性的前提下求解一系列原始松驰子问题,因此它必须有一个初始对偶可行解来启动.对于原问题目标函数存在负的价值系数的情形,提出引入人工约束通过简单的初等行变换产生新的目标函数,获得相应的对偶可行解,然后应用Curet原始-对偶单纯形算法获得问题的一个原始可行解.为了使这个原始可行解更接近最优解,在每次迭代中都对新的目标函数进行修正以逐步逼近原目标函数.在该基础上,通过实现互补松弛条件来取得问题的最优解.大规模数值试验结果表明,与经典两阶段单纯形算法相比,提出的算法在大部分问题上使用更少的迭代次数和执行时间,因而这种推广是有价值的.

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。

单纯形法的旋转迭代算法及影子价格

本文对线性规划问题提出一种寻找初始可行基和判定可行解的统一方法。它在运用单纯形法时，在若干情况下不必引入人工变量而可在一种表格之下直接应用旋转运算而获得，之后就在同一张表格下完全和常规单纯形法一样求最优解。此法我们称之为“单纯形法的旋转迭代算法”。应用此法。

一种新的求解多目标优化问题的混合遗传算法

分析了遗传算法和单纯形算法的特点,充分利用二者的优点,把单纯形算法作为一种局部搜索方法与变权系数遗传算法有机地结合起来,提出了一种求解多目标优化问题的混合遗传算法。数值实验表明该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。

正弦信号波形参数拟合求解的混合优化算法

介绍了当前正弦曲线拟合法参数求解过程 ,从理论上对求解的关键问题进行了分析 ,提出了基于遗传算法和单纯形法的正弦曲线拟合求解方法。实验结果表明 :该混合优化算法能够在参数初值范围较大的情况下快速、精确求得目标函数的全局最优解 ,获得正弦信号模型的波形参数。

求解混合整数双层规划问题的遗传算法

讨论了两类非线性混合整数双层规划问题。第一类问题的下层为不含整数变量的凸规划;第二类问题的下层包含整数变量,但下层函数关于下层整数变量是多项式,而关于下层连续型变量是线性的。针对这类问题提出了一个新的遗传算法。该算法利用单纯形调优法的思想设计了一个新的杂交算子,使杂交个体与种群中好的个体组杂交,以产生好的杂交后代。数据仿真表明新设计的单纯形杂交算子比传统杂交算子更有效。

求基可行解一种概率意义下的多项式算法

本文对求线性规划问题的基可行解，给出一种改型算法，证明它对m个约束、n个变量的问题，当n≥2m时，为使求得一个基可行解的概率大于0．98，对m>24，所需迭代次数不超过（m＋3），而对m≥76，迭代次数已不超过（m＋1）．

一个求解线性规划初始可行解的新算法

给出了求解线性规划初始可行解的一个新算法

线性规划问题的一解双优性

本文研究了线性规划问题的目标函数与约束条件互换的问题,给出了一解双优的结论.即:若目标函数在X^((h))点取得最大值c.且约束条件过X^((h))点,当二者互换后,得新规划问题的目标函数在X^((h))点必取得最小值b_k:反之,若原目标函数在X^((h))点取得最小值c.则互换后,新的目标函数在X^((h))点必取得最大值b_k.

求多目标线性规划妥协解的旋转迭代算法

本文应用单纯形旋转迭代算法,求解多目标线性规划的妥协解,得到满意效果。

线性规划初始基可行解的一种直接算法

本文通过引入可变动目标函数的预规划来求线性规划的初始基可行解，可以大量减少外额变量的个数，从而简化了二阶段单纯形法，使之便于在计算机上实现．

线性最优化问题的单纯形法介绍

提高各种资源的利用效果,选取最优的方案是经济研究的重要课题。学习和掌握这方面的一些有效方法无疑是十分必要的。本文重点介绍经济管理中用途广泛的线性优化(亦称线性规划)问题的单纯形算法,使之在经济改革和四化建设中发挥更大的作用例~*:某工厂生产A和B两种产品。已知制造一吨A产品要消耗8吨煤,电力10瓩。技工(按工作日计算)4人;制造一吨B产品要消耗4吨煤,电力2瓩,技工6人。

从端元选择到光谱解混的距离测算方法

提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法,该方法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度;证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性,并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明,基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.

几类非线性双层规划问题的混合遗传算法

针对几类具有特殊下层结构的非线性双层规划问题,提出了一种混合遗传算法。首先利用单纯形法的思想设计了新的杂交算子,使杂交个体与种群中好的个体组杂交,从而产生尽可能好的杂交后代;其次对每个相对固定的上层变量值x,通过计算下层最优解y来提高种群个体的可行性,并分析了下层最优解的计算误差对算法性能的影响;最后对于下层存在多个最优解的情况,通过求解一个单层规划,给出了下层最优解的选择方法。数值结果表明该算法是有效的。