混合整数非线性规划问题的改进差分进化算法

提出一种改进差分进化算法求解混合整数非线性规划问题。该算法利用同态映射方法,解决差分进化算法无法直接处理整数决策变量问题;提出改进的自适应交替变异算子,提高算法的搜索性能;提出一种自适应保留不可行解的方法处理约束条件,并对差分进化算法的选择算子进行改进,提出一种直接处理约束条件的新选择算子。六个常用的混合整数非线性规划问题的实验结果表明了该方法的有效性和适用性。

混合整数非线性规划问题的全局最优性条件（英文）

本文给出了带界约束的混合整数非线性规划问题全局极小点的必要条件,该问题包含连续优化问题和离散优化问题为特殊情形,得到了带界约束的混合整数非线性规划问题的充分全局最优性条件,其中规划问题的目标函数只需要二次连续可微.如果目标函数是二次的,则所得的全局最优性条件易于验证.数值例子说明了全局最优性条件的意义.

求解一般约束优化问题的一个全局收敛的混合不精确SQP算法(英文)

对于一般约束优化问题,本文通过一种特殊的耦合策略,把一个局部超线性收敛的不精确SQP算法与广义梯度投影法相结合,从而给出了一个混合算法.该算法无需计算拉格朗日函数的海色矩阵,并且在适当的假设下,算法具有全局和局部超线性收敛性.

一类非线性双曲型方程弱解的唯一性

本文在放宽的条件下研究了一类非线性双曲型方程弱解的唯一性,从而对此类方程解的唯一性问题的研究得到了补充和完善。

一种抽象的稳定化方法及在非线性不可压缩弹性问题上的应用

针对非线性不可压缩弹性力学问题.本文提出了一种抽象的稳定化方法并将其应用于非线性不可压缩弹性问题上.在该框架中,我们证明了只要连续的混合问题是稳定的,则可以修正任何满足离散inf-sup条件的混合有限元方法使其是稳定的且最优收敛的.我们将这种抽象的稳定化理论框架应用于非线性不可压缩弹性力学问题,给出了稳定性和收敛性理论结论,并通过数值实验验证了该结论.

一种遗传进化规划

本文提出一种遗传进化规划,该方法结合了遗传算法和进化规划两种算法的优点,在进化过程中遗传算法的交换率、变异率和进化规划的变异规则均根据种群的进化信息而自适应变化。该方法不仅能够加快算法的收敛速度,而且能够有效地保持种群的多样性。用该方法求解混合非线性整数规划问题,计算机仿真实验结果表明是非常有效的.

移动边缘计算中基于用户体验的计算卸载方案

现有的移动边缘计算卸载方案多采用预先统一设置的方式确定权重因子,难以满足用户对时延和能耗的差异化需求。针对该问题,提出一种基于用户体验的计算卸载方案。将计算卸载问题定义为效用最大化问题,以任务执行时延和能耗增益率的加权和表示用户效用,同时考虑用户设备的续航能力,构造基于用户需求的自适应权重因子。在此基础上,将原优化问题拆分为资源分配和卸载决策两个子问题分别进行求解,得到最终的计算卸载策略。仿真结果表明,相比于固定权重因子的卸载方案,该方案能够满足用户的差异化需求,有效提升用户体验。

Multi-objective Evolutionary Algorithms for MILP and MINLP in Process Synthesis

Steady-state non-dominated sorting genetic algorithm (SNSGA), a new form of multi-objective genetic algorithm, is implemented by combining the steady-state idea in steady-state genetic algorithms (SSGA) and the fitness assignment strategy of non-dominated sorting genetic algorithm (NSGA). The fitness assignment strategy is improved and a new self-adjustment scheme of σshare is proposed. This algorithm is proved to be very efficient both computationally and in terms of the quality of the Pareto fronts produced with five test problems including GA difficult problem and GA deceptive one. Finally, SNSGA is introduced to solve multi-objective mixed integer linear programming (MILP) and mixed integer non-linear programming (MINLP) problems in process synthesis.