求解高维复杂函数的改进飞蛾扑火算法

提出一种融合自适应动态扰动系数和分段可调节搜索策略的飞蛾扑火优化算法(a moth-flame optimization algorithm with adaptive dynamic disturbance coefficient and piecewise adjustable search strategy,ADMFO),求解高维复杂函数优化问题。通过自适应动态扰动系数策略来提高算法的全局搜索能力,避免算法陷入局部最优;通过分段可调节搜索策略来平衡全局探索和局部开发的比重,以此实现更好的寻优策略。对15个单峰和多峰复杂高维基准函数进行寻优实验,与粒子群算法、正弦余弦算法、蝴蝶算法、灰狼算法和其他4种改进算法进行对比。实验结果表明,ADMFO算法具有更好的寻优精度和稳定性。

用遗传程序设计实现复杂函数的自动建模

采用遗传程序设计的方法实现复杂函数的自动建模,程序中用树的分层结构表示复杂函数,并设计了相应的遗传算子(包括杂交算子和变异算子)以及停机条件。实例测试的结果表明采用遗传程序设计的方法得到的模型比传统的方法得到的模型要好,甚至优于专家设计的一些模型。

一种求解高维复杂函数优化问题的混合粒子群优化算法

对于高维复杂函数 ,传统的确定性算法易陷入局部最小 ,而单一的全局随机搜索算法收敛速度慢 .本文通过将粒子群优化算法和单纯形法相结合 ,利用前者搜索速度快、搜索范围广和后者收敛速度快的特性 ,提出一种快速、易实现的混合粒子群优化算法 .基于典型高维复杂函数的仿真表明 :该混合算法效率高、优化性能好、对初值具有很强的鲁棒性 ,其性能大大优于单一的优化方法 .

复杂函数优化的混沌遗传算法

将混沌融入遗传算法提出了混沌遗传算法 ,该方法利用混沌运动的随机性、遍历性、对初始条件的敏感性等特性进行群体的混沌初始化和最优个体的混沌变尺度载波寻优 .典型复杂函数优化的仿真结果表明该方法较遗传算法具有更快的收敛速度和更小的计算量 ,是复杂函数优化的有效手段 .

基因表达式程序设计在复杂函数自动建模中的应用

基因表达式程序设计是一种新的自适应演化算法,该算法已经应用到许多领域中,并且取得了良好的效果。通过对适应度函数的有效设计以及函数集的有效选取,引入新的常数创建方法,将基因表达式程序设计运用于复杂函数的自动建模中,并把所建立的模型用于预测分析。通过仿真实验表明:用此方法所建立的模型比传统的最小二乘法、神经网络以及遗传程序设计等方法具有更好的性能。最后对该算法的应用前景作了简要分析。

求解复杂函数优化问题的混合蛙跳算法

针对基本混合蛙跳算法在处理复杂函数优化问题时容易陷入局部最优、收敛速度慢的缺点,提出了一种改进的混合蛙跳算法。该算法把生物学中的吸引排斥思想引入到混合蛙跳算法中,修正了其更新策略,从而维持了子群的多样性。实验仿真结果表明,改进的混合蛙跳算法提高了算法的收敛速度,有效地避免了SFLA的早熟收敛问题,从而改善了对复杂问题的搜索效率,数值实验结果验证了算法的有效性和鲁棒性。

改进型人工鱼群算法及复杂函数全局优化方法

在分析人工鱼群算法存在不足的基础上,对人工鱼群算法加以改进,提出了一种改进型人工鱼群算法。该算法提高了全局搜索能力和收敛速度,并用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,改进后的人工鱼群算法具有精度高、搜索速度快等特点,是一种求解复杂函数全局最优化的智能算法。

混合粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构。通过构造单个粒子的最优序列代替单一的进化方向和类似于蚁群算法信息素表的选择机制,保留了粒子的多种进化可能方向,提高了粒子间的多样性差异,从而改善算法能力。算法同时设计了最优序列的加入规则和基于粒子群聚度的最优序列动态长度控制方法。改进后的混合粒子群算法保证了算法拥有更强的搜索能力,也保留了粒子群算法高效优化的特点。仿真实验证明,混合粒子群方法相对传统方法而言具有明显的精度优势。

适用于复杂函数优化的多群体遗传算法

提出一种适合于复杂函数寻优的多群体遗传算法。该方法对搜索区域进行划分，使每个子区域具有简单的函数形态，而对每个子区域安排一个子群体进行搜索。这个过程可并行进行。仿真表明该方法速度快，可同时获得多个局部极值点。

改进蝴蝶算法求解多维复杂函数优化问题

针对蝴蝶优化算法存在的问题,提出一种融合差分变异策略并根据进化代数自适应调整权重的蝴蝶优化算法.首先,在全局搜索阶段引入非线性惯性权重改善蝴蝶位置更新公式,自适应调节算法在不同进化时期的搜索范围和粒度,提高算法的收敛速度与寻优精度;然后通过加入F分布全局自适应随机变异对全局公式进一步改进,提升算法的全局探索遍历性,防止出现低精度早熟现象;最后在局部搜索阶段融入具有判定系数和扰动因子的双向差分变异策略,在不减损种群多样性的同时使蝴蝶个体的探索更具方向性,有利于算法摆脱局部极值点,加快收敛速度.理论分析证明了改进算法的时间复杂度与基本蝴蝶优化算法一致,6种代表性对比算法在CEC 2017基准函数上进行的多种维度测试结果表明,改进算法在求解高维复杂函数优化问题时收敛速度和寻优精度明显优于其它对比算法,维度变化对求解性能的影响更小,寻优性能更好更稳定.

基于量子粒子群算法的复杂函数参数估计

数理统计中在处理回归的问题时,常用的传统参数估计方法存在着一些严重不足之处。为解决此问题,提出了将基于量子行为的微粒群优化(QPSO)算法应用于复杂函数的参数估计中。通过仿真实验,表明了该算法不仅可以准确地估计出复杂函数的参数,并且具有计算简便、收敛速度快等特点。通过与传统微粒群(PSO)算法的比较,证明了QPSO算法的优越性。

实现任意复杂函数关系的混合输入可控五杆机构的设计

研究的混合输入可控五杆机构有实时不可调速电机供给和实时可调速电机供给两种类型的输入.实时不可调速电机提供主要的动力,实时可调速电机则起辅助运动调节作用.在改变或不改变机构结构尺寸的条件下,通过控制辅助运动规律,可以实现传统机构不能实现的复杂函数运动规律.文中对此机构实现任意复杂函数关系的设计问题建立了数学模型,采用一种改进的遗传算法求得全局最优解,根据所得的最优解,通过控制辅助运动规律,该机构能够实现多种精确的函数关系,给出了设计实例.

改进粒子群算法在高维复杂函数寻优中的应用

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法结构,命名为多阶段多子群粒子群算法(Multi-stage Multi-subpopulation Particle Swarm Optimization,MMPSO),该方法主要通过多子群之间阶段性的重分组策略,强化不同群体之间的信息交流,增大其搜索到全局最优解的概率,同时,为了保留粒子群算法高效优化的特点,通过分阶段搜索模式的转变,将全局最好模型收敛的快速性和局部最好模型收敛的全局最优性进行折中,确保改进后的粒子群算法拥有更强的全局搜索能力和尽量高的收敛速度。仿真实验证明,MMPSO算法相对于基本粒子群算法而言具有明显的精度优势。

优化复杂函数的粒子群-鸽群混合优化算法

针对复杂函数优化问题,提出一种两阶段混合优化算法。对基本粒子群和鸽群算法进行改进,引入惯性因子和跳跃算子增强了粒子群算法的搜索能力,提出干扰算子增加了鸽群算法的种群多样性。将改进后的两种算法相结合,形成两阶段混合优化算法,同时定义了一种多样性函数对种群进行实时监测,以保证种群的多样性。采用两组经典测试函数,对算法性能进行测试。结果表明,算法适用于求解复杂函数优化问题,且具有较好的收敛速度和收敛精度。

解高维复杂函数优化问题的混合差分进化算法

鉴于传统方法用于高维复杂函数优化很容易陷入局部极小,为此提出了一类通用、易实现、具有全局优化特性的混合优化算法(CHADE算法).该算法将混沌优化的随机性与差分进化算法(DE算法)相结合,利用混沌扰动算子增强算法的局部搜索能力;同时,随着搜索过程的进行随机地调整缩放因子和差分进化模式.多个典型高维复杂函数的数值仿真结果表明:CHADE算法寻优效率高、收敛速度快,尤其是具有避免局部极小的能力,其优化性能优于单一的DE算法.

基于多ANN的复杂函数学习策略

针对多层前馈人工神经元网络，提出了一种多ＡＮＮ逼近策略，与单ＡＮＮ方法相比较，逼近能力、适应能力、泛化能力等都有了很大的提高．它可应用于复杂系统的建模和辨识．

利用常微分方程方法发现复杂函数关系

经验定律发现系统ＱＬＨ９８旨在由计算机自动发现工程中所获取的二元数据集所蕴含的复杂函数关系，以帮助人们发现其中所隐藏的规律性．而采用通过找到给定数据集所适合的常微分方程的方法，可以发现一些极为复杂的函数关系，这是该系统的一个重要组成部分．这种发现方法比直接分析给定数据集特性从而确定函数模型的方法更易于实现和更为有效，特别是对某些复杂的函数关系模型，若用直接方法去发现则非常困难或者根本就发现不了，而用微分方程方法却可以达到目的．提出并分析了这种方法的若干基本原理，实例验证了方法的有效性．

一族复杂函数的定积分

在有关研究工作中涉及到一族复杂函数，其通式为其中ｎ为非负整数，ａｎ＝（ｎ＋１）ｎ＋１／（ｎ＋２）ｎ＋１，经有关计算可得下述定积分计算结果：

伺服系统中复杂函数的处理

复杂函数的计算是高性能全数字化伺服电机控制系统设计中需要考虑的重要问题之一。本文从ＤＳＰ系统的特点出发，以切比雪夫多项式为基础，提出了一种简便、快速、精确计算复杂函数的方法。在与泰勒展开方法的对比中，显示了该方法的优越性。通过在永磁同步电机无机械传感器控制系统的应用，验证了该方法的可行性。

求解高维复杂函数的混合蛙跳-灰狼优化算法

针对高维复杂函数问题,提出一种混合蛙跳-灰狼优化算法(SFL-GWO).该算法通过改进的Logistic映射初始化GWO算法种群提高算法的多样性;其次,提出一种新的距离控制参数的非线性调整策略来增强种群的探索与开发的能力;最后通过引入改进的随机蛙跳算法中改变最差位置的方式使SFL-GWO算法跳出局部最优的局限.通过选取的10个高维复杂函数的寻优结果验证了算法的性能,并与粒子群优化算法(PSO)、灰狼优化算法(GWO)和鲸鱼优化算法(WOA)3种基本算法以及与8种改进算法的寻优的结果进行了比较.仿真结果证明:SFL-GWO算法在不仅可以提高收敛精度也可以提高算法的搜索速度,证明了SFL-GWO算法在求解高维复杂函数的高效性.