反演二维瞬态热传导问题随温度变化的导热系数

基于边界元法反演二维瞬态热传导问题随温度变化的导热系数.采用Kirchhoff变换将非线性的控制方程转变为线性方程.边界元法用于构建二维瞬态热传导问题的数值分析模型.将反演参数作为优化变量,测点温度计算值与测量值之间的残差平方和作为优化目标函数.引入复变量求导法求解目标函数的梯度矩阵,梯度正则化法用于优化目标函数获得反演结果.探讨时间步长、测点数量和随机偏差对反演结果的影响.减小步长、增加测点数量收敛速度加快.降低了随机偏差,计算结果更精确.算例证明了算法的有效性与稳定性.     

用于寻源导热反问题的自适应蚁群算法研究

建立以蚁群算法(ant colony optimization,ACO)为基础的二维稳态导热反问题的求解模型.模型根据边界测点的测量信息与计算所得到的测点温度进行比较,将导热反问题转化为一个优化问题.对蚁群算法进行改进,利用不同路径构造方法的自适应蚁群算法对热源强度、热源位置进行反演,得到较为精确的反演结果.结果表明,所采用的蚁群算法和针对不同反演参数的路径构造方法具有较强的稳定性,能够较好反演热源强度及热源位置.     

基于梯度的自适应快速布谷鸟搜索算法

针对标准布谷鸟搜索(CS)算法存在全局搜索和局部搜索能力不平衡的缺点, 提出一种基于梯度的自适应快速布谷鸟搜索(GBAQCS)算法. 在改进的算法中, 针对偏好随机游动的步长, 在利用目标函数的梯度决定步长方向的基础上, 首先提出自适应搜索机制平衡了算法的全局搜索和局部搜索能力; 其次提出快速 搜索策略, 充分利用当前鸟巢信息进行精细化搜索, 从而提高算法的搜索精度和收敛速度. 实验结果表明, 相比其他算法, 所提出的改进策略使算法的全局搜索和局部搜索能力保持了相对的平衡, 并提高了算法的收敛性能.     

基于Cubic混沌模型的自适应布谷鸟优化算法

针对基本布谷鸟算法(CS)求解精度有限、收敛速度慢,易陷入局部最优的不足,提出一种基于Cubic混沌模型的自适应布谷鸟优化算法.算法在迭代时,自动调整Lévy flights随机搜索的步长因子,提高算法的收敛速度;将Cubic混沌映射模型嵌入布谷鸟算法,产生混沌扰动信号,对鸟巢位置进行更新,扩大种群多样性,提高全局最优值的搜索能力.通过10个标准测试函数的实验及结果分析,表明算法在寻优精度和收敛速度两方面的改进是有效的.     

动载荷识别的非迭代法研究

为了快速准确地识别结构在复杂环境下的承载状态，基于有限元法和Newmark-β法提出了一种非迭代反演方法，并用于识别结构上施加的动载荷.通过探寻测量信息与待演参量之间的关系，建立误差函数，根据最小二乘法实现动载荷的直接识别无需迭代，其中对待反演的分布载荷实施基函数展开，以提高算法的抗不适定性.同时奇异值分解法被用来求解病态方程组.数值算例分别讨论了测量噪声、测点数量、基函数展开、测点位置和不同时间步长对反演结果的影响，结果显示该方法在识别动载荷时具有较高的精度和效率.     

基于混沌算法的改进布谷鸟搜索算法及其应用

对布谷鸟搜索算法的Lévy飞行机制进行简化,利用混沌算法改进种群初始化,并按适应度值进行排序,参考蛙跳算法对排在末位的若干个鸟巢进行随机变异,提出一种基于混沌算法的改进布谷鸟搜索算法.通过测试函数验证,并与其他算法进行比较,该算法显示出更好的搜索性能和精度,将其应用于水电站经济调度问题,与传统算法相比,效果更好.     

一种改进的分数阶布谷鸟搜索算法研究

为解决布谷鸟搜索算法后期精度不高和收敛速度慢等问题,提出了一种基于分数阶微积分的改进布谷鸟搜索算法.与整数阶相比,通过在莱维飞行中引入分数阶差分,结合对历史信息的记忆与利用,能实现更复杂的动力学行为,提高局部搜索能力.采用Benchmark函数测试表明,超高维函数优化问题分析中,算法具有突出的寻优精度和收敛速度.     

基于比例边界有限元法和灰狼优化算法的裂纹尖端位置识别

基于比例边界有限元法(SBFEM)和灰狼优化(GWO)算法,提出了一种裂纹尖端识别方法。首先,借助SBFEM解决断裂力学问题特有的优势,快速准确地计算出反演所需的测点位移,并验证了正问题求解的正确性。其次,建立与裂纹尖端位置有关的目标函数,将求解裂纹尖端位置转换为求解目标函数最小值的优化问题。最后,采用GWO算法对目标函数进行了优化,进而搜索裂纹尖端的最佳位置。数值算例结果表明:利用SBFEM的高精度、半解析的优点,在反演过程中采用其求解正问题是非常有效的;GWO算法具有良好的全局收敛性,且相比经典的粒子群算法,能够更快速准确地搜索出裂纹尖端的位置;GWO算法具有较好的抗噪性。     

广义特征值极小扰动问题的一类黎曼共轭梯度法

研究含参数$l$非方矩阵对广义特征值极小扰动问题所导出的一类复乘积流形约束矩阵最小二乘问题.与已有工作不同,本文直接针对复问题模型,结合复乘积流形的几何性质和欧式空间上的改进Fletcher-Reeves共轭梯度法,设计一类适用于问题模型的黎曼非线性共轭梯度求解算法,并给出全局收敛性分析.数值实验和数值比较表明该算法比参数$l=1$的已有算法收敛速度更快,与参数$l=n$的已有算法能得到相同精度的解.与部分其它流形优化相比与已有的黎曼Dai非线性共轭梯度法具有相当的迭代效率,与黎曼二阶算法相比单步迭代成本较低、总体迭代时间较少,与部分非流形优化算法相比在迭代效率上有明显优势.     

Algorithm Research Based on the PDE Sensitivity Filter北大核心CSCD

采用PDE灵敏度滤波器可以消除连续体结构拓扑优化结果存在的棋盘格现象、数值不稳定等问题,且PDE灵敏度滤波器的实质是具有Neumann边界条件的Helmholtz偏微分方程.针对大规模PDE灵敏度滤波器的求解问题,有限元分析得到其代数方程,分别采用共轭梯度算法、多重网格算法和多重网格预处理共轭梯度算法对代数方程进行求解,并且研究精度、过滤半径以及网格数量对拓扑优化效率的影响.结果表明：与共轭梯度算法和多重网格算法相比,多重网格预处理共轭梯度算法迭代次数最少,运行时间最短,极大地提高了拓扑优化效率.     

求解Sylvester矩阵方程的一种改进的梯度方法

提出了一种改进的梯度迭代算法来求解Sylvester矩阵方程和Lyapunov矩阵方程.该梯度算法是通过构造一种特殊的矩阵分裂,综合利用Jaucobi迭代算法和梯度迭代算法的求解思路.与已知的梯度算法相比,提高了算法的迭代效率.同时研究了该算法在满足初始条件下的收敛性.数值算例验证了该算法的有效性.     

非线性二维导热反问题的混沌-正则化混合解法

考虑热传导系数随温度变化,建立了非线性二维稳态导热反问题数值计算模型。并把混沌优化方法和梯度正则化方法相结合,构成一种混沌-正则化混合算法求该计算模型的全局解。以热传导系数随温度线性变化为例,由布置在结构边界上的观测点温度信息确定了结构材料热传导系数及其随温度变化规律。结果表明混合算法计算结果与初值无关,具有很好的全局寻优性能,而且计算量远比经典遗传算法和单纯采用混沌优化方法小。     

非光滑凸规划不可行拟牛顿束方法的收敛性分析

利用改进函数将非光滑凸约束优化问题转化成无约束优化问题,构造了一个具有迫近形式的不可行拟牛顿束算法.值得注意的是,随着每次迭代的进行,该算法的无约束优化子问题的目标函数可能发生改变(取零步目标函数不改变,取下降步则更新目标函数),为此必须做必要的调整以保证算法的收敛性.本文主要采用了Sagastizabal和So1odov的不可行束方法的思想,在每个迭代点不一定是原始可行的情况下,得出了算法产生序列的每一个聚点是原问题最优解的收敛性结果.进一步,本文针对目标函数强凸情况下的BFGS拟牛顿算法,得到了全局收敛结果中保证拟牛顿矩阵有界的条件以及迭代序列的R-线性收敛结果.     

一类无需线性搜索的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,证明了算法的全局收敛性.当目标函数为一致凸函数时,对其线性收敛速率进行了分析.新算法在迭代过程中无需对步长进行线性搜索,仅需对算法中的一些参数进行预测估计,从而减少了目标函数及梯度的迭代次数,降低了算法的计算量和存储量.数值试验表明算法是有效的.     

一种单位化的增量梯度算法

研究目标函数是若干光滑函数和的可分离优化问题,提出了一种单位化增量梯度算法。该算法每次子迭代只需要计算一个（或几个）分量函数的单位负梯度方向作为迭代方向。在一定条件下,证明了采用发散步长的单位化增量梯度算法的收敛性。作为应用,新算法和Bertsekas D P,Tsitsikils J N提出的（没有单位化）增量梯度算法分别用来求解稳健估计问题和源定位问题。数值例子表明,新算法优于（没有单位化）增量梯度算法。     

双变量矩阵方程组对称最小二乘解的迭代算法

本文研究了求双变量线性矩阵方程组的对称最小二乘解的问题.利用求解线性代数方程组的共轭梯度法的基本思想,通过对有关矩阵和系数的变形与近似处理,建立了一种迭代算法.拓宽了共轭梯度法的适用范围.算例表明,迭代算法是有效的.     

一维流动的Boussinesq方程渗流系数反演的变分伴随方法研究

利用偏微分方程最优控制中的伴随方法讨论一维Boussinesq方程渗流系数反演问题的数值解法.吸收正则化思想改造最小二乘方法,利用变分伴随思想构造新迭代算法.迭代过程中首次搜索方向采用泛函下降最快的负梯度方向,第二次及以后搜索方向采用一种新的全局收敛的下降算法(Pan-Chen算法).与共轭梯度法比较,新算法具有更好的收敛性.数值模拟结果验证了理论算法的可靠性.     

求解大规模问题的谱共轭梯度法（英文）

共轭梯度法是求解大规模无约束优化问题的一类重要方法.由于共轭梯度法产生的搜索方向不一定是下降方向,为保证每次迭代方向都是下降方向,本文提出一种求解无约束优化问题的谱共轭梯度算法,该方法的每次搜索方向都是下降方向.当假设目标函数一致凸,且其梯度满足Lipschitz条件,线性搜索满足Wolfe条件时,讨论所设计算法的全局收敛性.     

一种新的无约束优化线搜索算法

在对各种有效的线搜索算法分析的基础上,给出了一种求解光滑无约束优化问题的新的线搜索算法.对于目标函数是二次连续可微且下有界的无约束优化问题,算法具有与Wolfe-Powell线搜索算法相同的理论性质.在每一步迭代中算法至多需要计算两次梯度,对于计算目标函数梯度花费较大的情形可以节省一定的计算量.数值试验表明本文算法是可行的和有效的.     

基于自适应子种群和动态反向学习的改进鸡群算法

针对鸡群算法(Chicken swarm optimization,CSO)求解复杂高维问题收敛精度低、容易陷入局部极值等问题,提出了一种基于自适应子种群和动态反向学习的改进鸡群(ICSO)算法.根据鸡群算法迭代进化进程,自适应确定公鸡种群规模大小,并据此将母鸡种群和小鸡分成若干个子种群;设计进化停滞判定机制,并引入动态反向学习因子以改进算法个体更新方式,有效保持鸡群样本多样性和算法全局深度搜索能力.典型测试函数仿真实验结果表明,与SFLA算法、PSO等智能优化算法相比,ICSO算法具有更高的收敛精度和更优的复杂函数优化能力.