改进的群搜索优化算法

标准的群搜索优化算法(GSO)是一种新的群智能优化算法,适用于解决高维函数的优化问题,而且简单高效,易于实现,但在其优化的后期容易陷入局部最优.为进一步提高其收敛速度和精度,对GSO算法进行了改进.保留其"发现者-加入者"模型,针对GSO算法发现者和游荡者搜索的无目的性,引进最大下降方向和杂交策略,发现者按角度搜索的同时也按最大下降方向进行搜索,游荡者通过基因突变策略的方式生成.通过23个基准测试函数对GSO算法和改进的GSO算法进行测试,结果表明改进的GSO算法在收敛速度和收敛精度上优于标准GSO算法.     

精确线搜索下一种新的混合共轭梯度法

本文对于大规模无约束优化问题提出了一种新的混合β_k公式,从而提出了一种具有充分下降性的混合共轭梯度法.利用精确线搜索步长规则,在适当的假设下证明了新算法的全局收敛性.     

决策信息系统的变换及其变换规则形式化

传统的粗糙集分类、约简、规则挖掘方法处理的对象是某个时间点上的静态信息系统,因而获得的知识也是静态的.实际上信息系统通常表现为易变性和过程性,为了挖掘决策信息系统动态变换的趋势和规则,本文扩展了粗糙集中传统的分类、约简、规则挖掘的应用模式,提出决策信息系统基于时间序列单步和过程变换模型, 建立面向决策信息系统变化趋势的类划分机制和相应的语义,对条件属性变迁与决策属性变迁的相关性进行研究,并给出变换规则的形式化表示.     

一类基于Wolfe线搜索下的谱共轭梯度法

在已有文献β■的基础上得到了一个新的谱共轭参数,从而构造了一个新的谱共轭梯度法.并且新方法的搜索方向不需要任何线性搜索条件而自动下降.利用标准Wolfe线搜索,在一般假设条件下,验证了该方法是全局收敛的.