基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO)。借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略。在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力。在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性。仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛。该算法在求解多极值问题上与其他PSO算法相比有较好表现。

变分同化研究中最速下降算法的一个改进

对于变分同化中经常遇到的多极值问题,一般的优化算法无法解决。以最速下降算法为例,提出一种改进方法,在迭代到某个极值点时,自动跳出该极值点附近去寻找下一个极值点,直到找到满意的最小值点为止。原则上这种改进算法可推广应用到其它优化算法中。

多维函数全局寻优的团队进步算法

通过模仿团队进步需要的学习、探索行为和成员更新规则,提出了一种新颖的双群体演化算法,称为团队进步算法(TPA)。算法将一个团队的成员分为精英和普通组,建立了两组的学习样板,定义了学习和探索运算,并合理设定了成员更新规则。两组成员在搜索过程中出现了明显分工,使算法兼备了全局搜索、局部搜索和定向搜索的能力。数值试验结果验证了新算法具有实现简单、全局寻优成功率高、收敛快、计算量少、坚韧性强和参数选择相对容易等特性,对解决优化应用问题具有较大的价值。

遗传多峰搜索

搜索多极值点问题是遗传算法研究领域内的一个新的方向 .本文在传统遗传算法的基础上引入梯度算子、聚类算子和单亲繁殖 (克隆 ) ,并将梯度平方和的倒数作为评价函数 ,用来搜索多极值点 .实际测试结果表明 :该算法对等高等距、不等高等距和不等高不等距情况都有很好的结果 .梯度算子的引入 ,将梯度法和 GA很好地融合了起来 ,大大提高了 GA的搜索精度和速度 。

两种Rosenbrock改进算法及其比较

Rosenbrock旋转坐标法是一种有效的直接搜索方法,它分为坐标轮换和转轴两部分,可以追随着弯曲和陡峭的深谷前进。这种方法对于在搜索范围寻找近似极小点的位置是十分有效的。而在多极值问题中,选定的初始点对结果是有影响的,解的点序列只能收敛于局部极值,而不能在全局范围内找到最小点。笔者对Rosenbrock优化算法在多极值问题中避免局部最小方面提出了两种改进方法,并通过实验数据对该两种方法进行了比较。

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和

基于集群式系统的GSAD算法

针对新出现的高性能价格比的集群式计算方式 ,提出了设计高效 SPMD(single program multiple data)算法的几个原则 ,并基于这些原则 ,给出了求解多极值点优化问题的 GSAD(genetic sim ulated annealing and downhill)算法的描述。该算法有机地结合了遗传算法、模拟退火以及下山的优点 ,达到了高效、收敛、可扩展的效果。基于 MPI编程实现 ,给出了该算法在几个典型的多极值点函数以及实际问题中的应用效果 ,通过与相关工作的简单对比指出了该算法的适用范围和特色。建立 SPMD求解模型是