一种基于Metropolis抽样准则的蚁群算法的信息素更新策略

针对蚁群优化算法的关键步骤——信息素轨迹更新过程进行了分析。在理论证明和实验验证的基础上,针对此过程提出一种基于Metropolis接受准则的信息素更新策略,并通过引入一种非齐次的模拟退火方法有效地减少算法在早期落入较差解的可能性。在系统温度较高时,算法将以较大的概率接受不同的解,进行广泛的试探,能够有效地避免算法初期陷入较差解的状况;当系统温度较低时,将以小概率接受不同的解,在算法的后期将搜索集中到迄今最优解的邻域中,保证了算法收敛的同时减少了算法的收敛时间。同时将基于Metropolis接受准则的信息素更新策略和已有的信息素更新策略在4个不同规模的TSP问题上进行对比实验,试验结果也证明了本文策略的有效性。

融合反向学习与Metropolis准则求解TSP的遗传算法

针对传统遗传算法(GA)在求解巡回旅行商(TSP)问题时,因种群多样性、后期局部搜索寻优能力不足所导致全局搜索范围受限、易陷入早熟现象与收敛速度较慢的问题,基于种群逆转遗传算法(EROGA)融合反向学习(OBL)思想,模拟退火算法(SA)的Metropolis准则与现实精英学习理念,提出一种改进的遗传算法OBLGSAA。首先在生成初始种群环节采用反向学习方式,以提升最优解的精度与收敛速度;然后采用Metropolis准则改进交叉、变异算子,以提升算法的局部搜索能力;最后引入现实精英学习理念,通过贪心轮转学习机制进一步提升GA的局部搜索能力。在多种巡回旅行商数据集的仿真实验结果表明,OBLGSAA能有效改善GA种群的多样性,使算法不易陷入早熟收敛,并在收敛性能与求解精度上相较于原始EROGA更优,验证了算法的有效性与优越性。

基于Metropolis准则的Q-学习算法研究

探索与扩张是Q-学习算法中动作选取的关键问题,一味地扩张将使智能体很快地陷入局部最优,虽然探索可以跳出局部最优并加速学习,而过多的探索将影响算法的性能.通过把Q-学习中寻求最优策略表示为组合优化问题中最优解的搜索,将模拟退火算法的Metropolis准则用于Q-学习中探索和扩张之间的折衷处理,提出基于Metropolis准则的Q-学习算法SA-Q-learning.通过实验比较,它具有更快的收敛速度,而且避免了过多探索引起的算法性能下降.

基于Metropolis抽样的非线性反演方法

基于Metropolis抽样的非线性反演应用贝叶斯理论框架,是一种基于蒙特卡洛的非线性反演方法,能够有效地融合测井资料中的高频信息,提高反演结果的分辨率。首先通过快速傅里叶滑动平均模拟算法(FFTMA)和逐渐变形算法(GDM)得到基于地质统计学的先验信息;进而构建似然函数;最后利用Metropolis算法对后验概率密度进行抽样,得到反演问题的解。其中FFT-MA模拟作为一种高效的频率域模拟方法,融入GDM更新算法之后,可以在保持模拟空间结构不变的前提下,连续修改储层模型,保证反演结果有效地收敛,直至满足实际观测地震记录。模型试算和实际数据处理结果表明:基于Metropolis抽样的非线性反演可以提供合理的弹性参数信息,尤其是提高纵波速度的分辨率,即使信噪比较小时,仍然可以反演出合理的弹性参数信息,从而证明了该方法的有效性;当不考虑噪声时,纵、横波阻抗的反演分辨率较弹性参数本身的反演分辨率更高。

基于Metropolis准则的多步Q学习算法与性能仿真

强化学习是目前智能体和机器学习研究的热点。针对强化学习中标准Q学习算法更新速度慢的缺点,通过引入多步信息更新策略和模拟退火中的Metropolis准则,提出了一种新颖的多步Q学习算法,称为SAMQ算法。仿真实验表明,与现有的算法相比,该算法能够有效提高收敛速度,较好地解决智能体选择动作时面临的新知识探索还是当前策略遵循的关键问题。

带Metropolis准则的混合离散布谷鸟算法求解旅行商问题

布谷鸟算法(Cuckoo Search,CS)在求解连续问题方面得到较好的结果,但在处理离散问题方面解决方案较少且收敛速度过慢,针对此不足,以求解旅行商问题为代表,结合基于学习的混合邻域结构和概率接受准则,提出了一种新颖的改进的混合离散布谷鸟(Hybrid Discrete Cuckoo Search,HDCS)算法.HDCS算法通过向最佳个体学习和从问题学习来搜索解空间,将反序、插入、块移动、交换和双桥等多种算子组合构造不同的混合邻域,通过Levy飞行选择相应的邻域结构进行寻优,并引入模拟退火算法的Metropolis接受准则,能够以一定的概率接受劣质解,使算法不易陷入局部最优.为了验证算法的性能,将HDCS算法分别与其他基于CS算法、经典智能优化算法和新型群智能优化算法的3类方法进行比较,实验结果表明,HDCS算法不但优于其他基于CS的算法,同时也优于一些其他最新的群智能优化算法.

基于Metropolis判别准则的遗传算法

针对遗传算法在应用过程中出现的过早收敛问题，引入Ｍｅｔｒｏｐｏｌｉｓ判别准则对复制算子加以改进，并从理论上对遗传算法的收敛性进行分析。仿真结果证明了该算法解决过早收敛问题的有效性。

一种基于Metropolis准则遗传算法的多边多议题协商

为了使得基于智能体电子商务中协商智能体最大限度地达到协商的满意解,甚至最优解,并且提高协商的效率,提出将基于Metropolis准则的遗传算法应用于基于智能体电子商务的多边多议题同时出价的协商当中.经过1000次的实验数据表明,简单遗传算法平均需要155次才能达到协商的最优解,而基于Metropolis准则的遗传算法平均需要76次就达到协商的最优解.这个结果表明,基于Metropolis准则的遗传算法可以使得多边多议题协商中的智能体高效达到协商的最优解.

联合Metropolis算法和MDL准则的密集多目标分辨算法

针对单脉冲雷达处理同一分辨单元内密集多目标回波时收敛较慢的问题,提出了一种将Metropolis算法和最小描述长度(MDL)准则相结合的密集多目标分辨算法.构建Metropolis算法中的更新函数和迭代规则,促使待估参数的不同马尔可夫链间的融合;根据融合判定规则选取抽样样本,估计出对应的目标参数;利用MDL准则实现密集目标的准确分辨.该算法不仅提升了收敛速度,而且具有较高的参数估计精度,提高了算法在多目标下的分辨性能.仿真结果验证了所提算法的有效性和可行性.

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中 ,连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题 ,提出了一种有助于提高BP神经网络逼近精度的方法———基于Metropolis准则的神经网络学习算法。该算法整体采用传统的BP算法 ,但在一定条件下依据概率进行连接权的调整 ,使权值以一定的概率跳跃 ,跳出局部极小区 ,最终达到全局极小。

进化规划中基于Metropolis判别准则的选择策略

为了克服进化规划在应用过程中出现收敛速度缓慢的问题，提出了一种将模拟退火中的Metropolis判别准则引入到进化规划中选择算子的新方法，通过实例验证了该算法对于解决收敛速度缓慢现象的有效性。

基于Metropolis抽样的弹性阻抗随机反演

笔者提出了基于Metropolis抽样的弹性阻抗随机反演方法,该方法是一种基于蒙特卡洛的非线性反演方法,能够有效地融合测井资料中的高频信息,提高反演结果的分辨率。应用贝叶斯理论框架,首先通过快速傅里叶滑动平均模拟算法(fast Fourier transform-moving average,FFT-MA)和逐渐变形算法(gradual deformation method,GDM)得到基于地质统计学的先验信息,然后用Metropolis抽样算法对后验概率密度进行抽样,得到反演问题的解。其中FFT-MA模拟作为一种高效的频率域模拟方法,结合GDM后,在保持模拟空间结构不变的前提下,可以连续修改储层模型,直至满足实际观测地震记录。数值试验表明:FFT-MA模拟有效地提高了计算效率,融入GDM更新算法,可以保证反演结果有效地收敛,并且反演结果与理论模型吻合较好,具有较高的分辨率,该方法采用两步法反演弹性参数,运算速度较快。

基于优化算法量子动力学框架的势垒估计准则

量子动力学框架(QDF)是在优化算法量子动力学模型下得到的具有代表性和普遍意义的优化算法的基本迭代过程,差解接受是避免优化算法陷入局部最优、解决算法早熟问题的一种重要机制。为了在QDF中引入差解接受机制,以量子动力学模型为基础将差解视为粒子运动过程中遇到的势垒,利用量子隧道效应中的透射系数计算粒子穿透该势垒的概率,从而得到量子动力学模型下的差解接受准则:势垒估计准则(PBEC)。PBEC与势垒高度和宽度、粒子的质量均有关系,比经典的Metropolis接受准则更能全面地估计优化算法采样时遇到差解时的行为。实验结果表明,基于PBEC的QDF算法相较于基于Metropolis接受准则的QDF算法,在求解函数过程中算法跳出局部最优的能力更强、搜索效率更高,表明PBEC在量子优化算法中是一种可行且有效的差解接受机制。

基于Hoek-Brown强度准则的地下洞室开挖可靠度分析

地下洞室可靠度分析在地下空间开发工程中具有重要意义。采用拉丁超立方抽样法对工程实测获得的结构面特征指标进行抽样,将样本数据代入地质强度指标GSI评价体系中获得GSI概率分布函数,然后基于Hoek-Brown经验强度准则计算获得围岩力学参数的概率分布函数,进而利用数值模拟获得地下洞室变形量的概率分布函数,并结合洞室开挖的最大允许位移将求解可靠度指标转化为求解超过最大允许位移的概率。以五岳抽水蓄能电站为例,计算了主厂房不同部位的位移超过最大允许位移的概率,对主厂房的稳定性进行了评价。评价结果与工程实际情况基本相符,说明本文提出的方法可有效用于地下工程的开挖可靠度分析.

铝合金铸造工艺的Metropolis准则蜂群算法优化

为了提高铝合金铸件质量和铸造效率,提出了基于Metropolis准则蜂群算法的参数智能优化方法。分析了铝合金低压铸造原理,使用Anycasting有限元分析法模拟了铸造过程,获得了不同实验条件下的仿真值。使用单隐藏层神经网络分别拟合凝固时间、缩松面积与工艺参数间的非线性关系,得到了拟合精度较高的网络模型。以减少铸件的凝固时间和缩松面积为目标,建立了工艺参数优化模型。以传统蜂群算法为基础,提出了观察蜂对蜜源的动态选择策略和蜜源的Metropolis准则评价策略,使蜜蜂不仅选择最优蜜源,同时保留有潜力蜜源,从而给出了基于Metropolis准则蜂群算法的参数优化方法和步骤。经验证,Metropolis准则蜂群算法优化的铸件缩松面积比传统蜂群算法优化结果减少了24.16%,凝固时间缩短了3.32%,说明铸件质量和铸造效率得到了提高。经实际加工验证,Metropolis准则蜂群算法优化后的铸件显微组织分布均匀,硬度满足性能要求,可以应用于实际生产。

对模拟退火算法的衰减函数T和MetrOPolis准则的改进

首先简单介绍了模拟退火算法的基本原理及其优点,然后详细描述了退火过程算法和MetroPolis准则,最后给出对MetroPolis准则和衰减函数T的改进方法.

基于Metropolis准则的自适应模拟退火粒子群优化

为有效提高粒子群优化(PSO)算法搜索最优解的效率,提出一种基于Metropolis准则的自适应模拟退火粒子群优化(ASAPSO)算法。首先,ASAPSO采用一种新的自适应极值惯性权重方式,能有效平衡粒子种群的全局搜索和局部搜索过程;其次,通过分析粒子个体间信息交流方式,构建粒子飞行学习交流的中心粒子,该粒子能有效增强粒子个体的社会学习能力;最后,基于Metropolis准则的模拟退火选择概率,粒子群体在中心粒子的引领下向着全局最优解不断逼近,能有效避免粒子群体陷入局部最优区域。仿真实验表明,相比其他测试算法,ASAPSO收敛精度高,在多种标准测试函数中收敛率(CR)可达94%以上,能有效提高粒子种群的寻优效率。

基于Metropolis遗传算法的并联机器人结构优化设计

以六自由度Stewart并联机器人的灵巧度为目标函数,以设计空间、每条支腿的最大最小长度之比和虎克铰、球铰的极限摆角为约束条件建立了结构优化模型.将模拟退火算法中的M etropolis准则引入到实值编码遗传算法的选择操作中,产生了M etropolis遗传算法,采用该算法进行了并联机器人结构优化问题的求解.通过与采用标准遗传算法得出的结果比较,证实了M etropolis遗传算法在并联机器人结构优化设计中的有效性和优越性.

运用CTRW-Metropolis模型数值研究亚稳势中粒子逃逸问题

基于连续时间随机行走(CTRW)理论,实现反常扩散条件下对跳跃步长和等待时间分布函数的抽样,改进Metropolis抽样判定方法以适用于存在非线性势的情况.数值研究布朗粒子在亚稳势下的逃逸速率.结果显示,稳定逃逸速率γst随反常指数α非单调变化,在超扩散条件下存在极大值和位垒相消现象.

中美审计抽样准则的比较与借鉴

一、引言审计抽样是注册会计师对具有审计相关性的总体中低于百分之百的项目实施审计程序,为注册会计师得出关于总体的结论提供了合理的基础。审计抽样在实务中的应用非常广泛,例如凭证检查、应收账款函证、收入审计等均是审计抽样应用的重点领域,审计抽样过程实施是否规范是影响审计质量的重要因素。在近几年证监会发布的行政处罚公告中。