【摘 要】
：
介绍了嵌套分割算法的基本思想,提出了提高其优化效率的途径;介绍了禁忌搜索算法,并将禁忌搜索的思想引入嵌套分割算法的抽样和选取算子中,提出了一种复合优化算法(TSNP)来解决函数优化问题。TSNP算法结合了嵌套分割算法和禁忌搜索算法的优点,使其在优化性能、优化效率和可靠性方面具有明显的优越性。通过对几个函数优化实例的测试,并与其他算法进行了比较,结果表明该算法具有较好的计算效率和较快的全局寻优能力。
论文部分内容阅读
介绍了嵌套分割算法的基本思想,提出了提高其优化效率的途径;介绍了禁忌搜索算法,并将禁忌搜索的思想引入嵌套分割算法的抽样和选取算子中,提出了一种复合优化算法(TSNP)来解决函数优化问题。TSNP算法结合了嵌套分割算法和禁忌搜索算法的优点,使其在优化性能、优化效率和可靠性方面具有明显的优越性。通过对几个函数优化实例的测试,并与其他算法进行了比较,结果表明该算法具有较好的计算效率和较快的全局寻优能力。
其他文献
采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值;此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。
粒子群优化算法的性能主要受其中参数的影响,尤其是惯性权重的影响,选择合理的ω能够平衡算法的全局和局部搜索能力。根据当前粒子的函数值调整学习因子,利用局部搜索的方法确定惯性权重,提高了算法的鲁棒性能。最后对一些标准测试函数进行验证,实验分析表明该算法具有优越性能。
为了有效解决RED算法拥塞响应滞后以及在聚集类之间公平性不足的问题,提出建立一种基于早期拥塞指示反馈的区分服务网络模型,并在该模型上采用优先级早期随机检测算法。在网络入口节点对分组进行分类、聚集与监测,各队列按优先级设置不同队列长度阈值,当平均队列长度或各队列长度达到相应阈值范围时,立即触发不同程度拥塞指示包向源端反馈。使用改进的NS进行了仿真实验,实验结果表明该算法使得拥塞指示能尽可能快地到达T
对基于零级泛与运算的一阶谓词演算形式系统进行公理化。通过引入全称量词和存在量词,建立与命题形式系统ULh∈(0,1]相对应的一阶谓词形式系统ULh∈(0,1],证明了其可靠性定理和演绎定理。从而得到所给形式系统中的定理均为重言式,保证了推理的有效性。
研究传感器节点随机部署于监测区域内,无节点地理位置信息情况下,如何能量有效地保证网络的通信连通与感知覆盖;节点采用基于概率的联合感知模型。提出CDS-based SSCA算法,其为一种基于连通支配集构造树的节点调度机制,每个节点根据剩余能量和与父节点的距离来设置等待时间及成为候选节点优先级。模拟实验结果显示,本算法能够能量有效地满足感知覆盖和连通覆盖要求;与ASW算法相比较,工作节点个数较少,网络
分析了传统的人工免疫算法在寻优过程中易陷入局部极值点或过早收敛的原因,对算法进行了改进,提出了一种自适应克隆抑制免疫算法。改进的算法在克隆下一代抗体时,同时考虑了抗体亲和度和浓度两个因素,并给出了一种自适应调节两者关系的算子,兼顾了收敛速度和后代抗体种群多样性两个方面。对改进后的算法进行了分析,给出了数学描述,以便于工程应用。最后,通过典型的算例对提出算法的有效性进行了验证,结果证明,改进后的算法
针对零空闲流水线调度问题的最大完工时间,提出一种改进蚁群算法。该算法改进了信息素密度的初始化方法和更新规则,采用新的状态转移策略构建新解,结合快速插入邻域局部搜索算法,解决蚁群算法易陷入局部收敛的缺点,从而提高算法的搜索效率。基于典型算例的仿真实验,表明了改进算法具有高效性和优越性。
针对以最大完工时间和总流经时间为目标的批量流水线调度问题,提出了改进的和声调度算法。该算法采用基于最大位置值(LPV)规则的编码方式,使具有连续性质的和声算法应用于求解调度问题;提出新的初始化方法,应用了多种群进化的思想更新和声库,并结合和声算法和模拟退火算法各自的特点,给出了两种混合调度算法。仿真实验表明所提算法的可行性和有效性。
针对细菌觅食算法在优化过程中环境感知能力较弱且容易陷入局部极值的缺陷,将梯度粒子群算法的基本思想引入细菌觅食算法中,改进原算法的收敛速度和收敛能力,并据此提出了基于梯度粒子群算法的细菌觅食算法GPSO-BFA。该算法既利用了细菌觅食算法出色的全局搜索能力,又借助梯度粒子群算法的快速局部寻优能力,很好地将两者的优势结合在一起。基于六个高维Benchmark函数的实验结果显示,该算法在收敛速度和精度方
在基于Stacking框架下异构分类器集成方式分析的基础上,引入同构分类器集成中改变训练样本以增强成员分类器间差异性的思想,提出融合DECORATE的异构分类器集成算法SDE;在1-层泛化利用DECORATE算法,向1-层训练集增加一定比例的人工数据,使得生成的多个1-层成员分类器间具有差异性。实验表明,该方法在分类精度上要优于传统Stacking方法。