求解全局优化问题的改进蝙蝠算法[英文]

蝙蝠算法(BA)是一类基于试探技巧的群智能优化算法,该算法已被广泛用于诸多领域问题的求解.本文提出一个改进的蝙蝠算法NIBA.在算法中,为了加强蝙蝠算法的局部和全局搜索能力,提出了三个改进策略.首先,为了改进蝙蝠的局部搜索能力,在当前最优解处给出了一个新的搜索方程.其次,为了改进算法的全局搜索能力,平衡算法的开发能力和探索能力,算法吸收并改进了和声搜索机制.最后,为了进一步提高NIBA算法的搜索能力,在当前最优解处,算法采用了混沌搜索机制.为了验证算法的性能,针对18个标准测试函数进行了数值实验.与其它算法的比较结果显示,NIBA算法具有更好的稳定性,且效率更高.     

基于乌鸦喝水的元启发式优化算法

启发式优化算法已成为求解复杂优化问题的一种有效方法,可用于解决传统的优化方法难以求解的问题.受乌鸦喝水寓言故事启发,提出一种新型元启发式优化算法—乌鸦喝水算法,首先建立了乌鸦喝水算法数学模型;其次,给出实现该算法的详细步骤;最后,将该算法用于基准函数优化,并将该算法与乌鸦搜索算法、粒子群优化算法、多元宇宙优化算法、花授粉算法、布谷鸟算法等群智能算法进行了比较.仿真实验结果表明,乌鸦喝水算法优于其他算法.     

偏微分方程的局部保结构算法

讨论偏微分方程的局部保结构算法,它是原来的整体保结构算法的自然推广. 当边界条件适宜时, 局部保结构算法自然是整体保结构算法, 但整体保结构算法却不一定是局部保结构算法. 局部保结构算法的概念能解释不同保结构算法之间的差异性, 也能为分析和构造性能较好的保结构算法提供理论基础. 不仅如此, 合适的边界条件不再是局部保结构算法可应用于偏微分方程的必要条件, 从而拓宽了保结构算法的适用性. 还讨论了局部保结构算法的应用和系统构造问题, 得到了非线性Klein-Gordon方程的一些新的格式.     

一种古代的中国算法:盈不足术与牛顿迭代算法的比较

详细讨论了大约在公元前二世纪广泛流行的一种中国算法,这种算法在西方被称作为双假设法。强调指出双假设法是中国算法的一种译版。首次给出了中国算法与牛顿迭代算法之间的联系,如果引入了导数的概念,中国算法可以非常方便地转化为牛顿迭代算法。提出了一种改进的中国算法,并给出中国算法在非线性振动方程中的应用。     

基于混合细菌趋药性的聚类分割算法

为解决模糊C均值算法对初始值敏感、容易陷入局部极值的问题,提出基于混合细菌趋药性的聚类分割算法,在简单细菌趋药性算法的基础上,将粒子群算法引入.新算法使用粒子群算法、细菌趋药性算法两步优化得到的结果作为模糊C均值算法的初始值,同时新算法中引入精英保持策略,进一步提高算法效率.实验结果表明,新算法具有较快的收敛速度,.同时能够获得较好的图像分割效果和质量.     

基于精英区域学习的多种群自适应的差分进化算法

为了进一步提高差分进化算法的收敛速度、算法精度和稳定性,采用多种群技术来增加算法收敛速度和降低复杂度;利用精英区域学习策略来对算法的全局搜索能力和算法精度进一步提升,引进自适应免疫搜索策略,以实现自适应修正差分算法的变异因子和交叉因子。通过五个测试函数,把本文算法与最新文献中的算法进行对比,表明算法在收敛速度、精度和高维问题寻优能力方面的优越性。     

基于改进蝙蝠算法的贝叶斯网络结构学习

针对蝙蝠算法在搜索评分阶段易陷入局部最优且收敛精度低,以及基于蝙蝠算法的贝叶斯网络结构学习不完善等缺点,将模拟退火算法的思想引入到蝙蝠算法中,并对某些蝙蝠个体进行高斯扰动,提出了一种改进蝙蝠算法的贝叶斯网络结构混合学习算法.混合算法首先应用最大最小父子节点集合算法(Max-min parents and children,MMPC)来构建初始无向网络的框架,然后利用改进的蝙蝠算法进行评分搜索并确定边的方向.最后把应用本算法学习的ALARM网,和蚁群算法(MMACO)、蜂群算法(MMABC)进行比较,结果表明本混合算法具有较强的学习能力和更好的收敛速度,并且能够得到与真实网络更匹配的贝叶斯网络.     

基于混合单纯形算法的模糊均值图像分割

针对模糊C均值算法用于图像分割时对初始值敏感、容易陷入局部极值的问题,提出基于混合单纯形算法的模糊均值图像分割算法.算法利用Nelder-Mead单纯形算法计算量小、搜索速度快和粒子群算法自适应能力强、具有较好的全局搜索能力的特点,将混合单纯形算法的结果作为模糊C均值算法的输入,并将其用于图像分割.实验结果表明:基于混合单纯形算法的模糊均值图像分割算法在改善图像分割质量的同时,提高了算法的运行速度.     

Monte Carlo EM加速算法

EM算法是近年来常用的求后验众数的估计的一种数据增广算法, 但由于求出其E步中积分的显示表达式有时很困难, 甚至不可能, 限制了其应用的广泛性. 而Monte Carlo EM算法很好地解决了这个问题, 将EM算法中E步的积分用Monte Carlo模拟来有效实现, 使其适用性大大增强. 但无论是EM算法, 还是Monte Carlo EM算法, 其收敛速度都是线性的, 被缺损信息的倒数所控制, 当缺损数据的比例很高时, 收敛速度就非常缓慢. 而Newton-Raphson算法在后验众数的附近具有二次收敛速率. 本文提出Monte Carlo EM加速算法, 将Monte Carlo EM算法与Newton-Raphson算法结合, 既使得EM算法中的E步用Monte Carlo模拟得以实现, 又证明了该算法在后验众数附近具有二次收敛速度. 从而使其保留了Monte Carlo EM算法的优点, 并改进了Monte Carlo EM算法的收敛速度. 本文通过数值例子, 将Monte Carlo EM加速算法的结果与EM算法、Monte Carlo EM算法的结果进行比较, 进一步说明了Monte Carlo EM加速算法的优良性.     

Euclid算法、Guass消元法以及Buchberger算法研究[英文]

本文给出计算多个正整数的最大公因子的算法,该算法是Euclid算法的推广,基于该算法可再次发现Guass消元法,而且不必使用多元除算法来简化Buchberger算法.     

鞍点问题的修正对称超松弛迭代算法

为了提高求解鞍点问题的迭代算法的速度,通过设置合适的加速变量,对修正超松弛迭代算法（简记作MSOR-like算法）和广义对称超松弛迭代算法（简记作GSSOR-like算法）进行了修正,给出了修正对称超松弛迭代算法,即MSSOR-like （modified symmetric successiveover-relaxation）算法,并研究了该算法收敛的充分必要条件.最后,通过数值例子表明,选择合适的参数后,新算法的迭代速度和迭代次数均优于MSOR-like （modified successive overrelaxation）和GSSOR-like （generalized symmetric successive over-relaxation）算法,因此,它是一种较好的解决鞍点问题的算法.     

GA-BP嵌套算法的理论及应用

分析了BP算法、遗传算法以及GA-BP-APARTING算法的特点,提出了GA-BP-NESTING算法.在人工神经网络的在线学习和离线学习方式下,分别对BP算法、GA算法、GA-BP-APARTING算法和GA-BP-NESTING算法进行了比较研究,研究发现:第一,网络初始权值的赋值对人工神经网络训练影响很大;第二,离线学习方式下GA-BP-NESTING算法效果最佳.     

基于LU分解的亏基摄动对偶Ⅰ阶段算法

将摄动算法和亏基单纯形算法相结合,以充分发挥这两种算法的优势,从而为亏基对偶单纯形算法提供一个新的Ⅰ阶段算法,以使其进一步克服退化所带来的困扰.数值试验结果表明,新算法能够降低退化带来的不良影响,减少总迭代次数和运算时间,其效率不仅远远优于传统的单纯形算法,且优于原有的亏基单纯形算法,是一个非常吸引人且充满希望的新尝试.     

一类具有非单调线搜索的混合共轭梯度算法

提出一类求解无约束最优化问题的混合共轭梯度算法,新算法有机地结合了DY算法和HS算法的优点,并采用非单调线搜索技术在较弱条件下证明了算法的全局收敛性.数值实验表明新算法具有良好的计算效能.     

经过改进的求解TSP问题的蚁群算法

介绍了一种求解TSP问题的算法—改进的蚁群算法,算法通过模拟蚁群搜索食物的过程,可用于求解TSP问题,算法的主要特点是:正反馈、分布式计算、与某种启发式算法相结合.通过对传统蚁群算法的改进可以得到较好的结果.计算机仿真结果表明了该算法的有效性.     

波形松弛算法及其在计算流体力学中的应用

本文介绍求解线性常系数微分代数方程组的波形松弛算法, 基于Laplace积分变换得到该算法新的收敛理论. 进一步将波形松弛算法应用于求解非定常Stokes方程, 介绍并讨论了连续时间波形松弛算法CABSOR算法和离散时间波形松弛算法DABSOR算法.     

线性规划的新算法

提出一种求解LP的新思想 ,基于这种思想给出了一种求解LP的新算法 ,其中从一个基准面到更深层基准面的推进算法是按算法与模型一体化思想构思的 ,借助切割面 ,把推进的模型与算法化为一维单峰函数求优的特殊模型与算法 ,既简单又初等 ,无需矩阵求逆 ,计算量很少 .新算法的另一个意义在于 ,它的核心算法可以有效地改进单纯形算法、Karmarkar算法和一种新椭球算法的迭代过程 ,还充分利用迭代过程解x^k 的全部信息     

学习算法的稳定性与泛化(Ⅱ):有界差分稳定框架

根据有界差分条件,提出了学习算法的有界差分稳定框架.依据新框架,研究了机器学习阈值选择算法,再生核Hilbert空间中的正则化学习算法,Ranking学习算法和Bagging算法,证明了对应学习算法的有界差分稳定性.所获结果断言了这些算法均具有有界差分稳定性,从而为这些算法的应用奠定了理论基础.     

蚂蚁算法和小生境遗传算法的融合

蚂蚁算法是一种新型的模拟进化算法,也是一种随机型智能搜索算法.较为系统的总结了算法的基本理论,分析了其基本算法解决TSP问题的模型,针对蚂蚁算法易出现停滞的缺点,把小生境遗传算法和蚂蚁算法融合,仿真比较实验结果表明优于基本蚂蚁算法.     

算法初步

1.本单元重、难点分析本单元的重点:在理解算法含义的基础上,理解算法的三种基本逻辑结构,会用算法步骤、程序框图表示算法;理解五种基本算法语句的结构和用法.