变测度的积分-水平集确定性算法

提出了一个求总极值的变测度确定性算法,对不同的箱子采用不同的测度,结合确定性数论方法选取一致分布佳点集来代替Monte-Carlo随机投点,使水平值充分地下降,更快地到达全局最小,从而提高算法的计算效率.在文中给出了算法的收敛性证明,并通过数值算例验证了它的有效性.     

变测度的积分型全局优化算法

郑权等首先提出积分-水平集求总极值的方法,实现算法中采用Monte-Carlo 随机投点产生近似水平集来缩小搜索区域范围,但这一算法可能失去总极值点．此后,邬 冬华等给出了一种修正的积分－水平集的方法,一种区域不收缩的分箱方法以保证总极 值点不被丢失．本文在此基础上采取对不同的箱子采用不同的测度这一策略,使水平值 更充分的下降,更快的达到全局极小值,以提高修正算法的计算效率．最后给出的数值算 例说明了算法是有效的．     

一个求总极值的变测度算法及其收敛性

利用积分中值定理阐述了积分型方法的实质,指出了其优点与不足,提出相应的改进方法—变测度算法,并对变测度算法的收敛性进行了证明.     

修正积分水平集方法的随机实现算法

本文提出了一个从随机到确定性的变测度算法，通过对不同的箱子采用不同的测度，将Monte-Carlo随机投点与确定性数论方法相结合的策略，使水平值充分地下降．最后，给出了实现算法收敛性并通过数值实验验证了其有效性．     

一种修正的求总极值的积分—水平集方法的实现算法收敛性

1978年,郑权等提出了一个积分型求总极值的概念性算法及Monte-Carlo随机投点的实现算法,给出了概念性算法的总极值存在的充分必要条件,但是其实现算法收敛性仍未解决,1986年,张连生等给出离散均值－水平集的实现算法,并证明了它的收敛性。本文给出修正的积分－水平集方法,用一致分布搂九值积分逼近水平集构造实现算法,并证明了算法的收敛性。     

一种修正的求约束总极值的积分-水平集方法

对于有约束的全局最优化问题,在Chew-Zheng的《Integral Global Optimization》和邬冬华等的《一种修正的求总极值的积分-水平集方法的实现算法收敛性》的基础上,给出一种修正的求约束总极值的积分-水平集方法,它同样具有修正的求总极值的积分-水平集方法的两个特点: 1) 每一步构造一个新函数,它与原目标函数具有相同的总极值; 2) 避免了郑权算法在一般情况下,由于水平集不易求得而造成难以求出水平集的困难．同时给出了其实现算法,并证明了算法的收敛性．     

积分—水平集总极值算法的另一实现途径

在（１）中提出了一个积分－水平集求总极值的概念性算法及Ｍｏｎｔｅ－Ｃａｒｌｏ随机投点的实现途径，并在不少实际问题中得到了很好的应用。但这一实际算法的收敛性是个未解决的问题。本文给出了另一实现途径，并证明了收敛性。从而从理论上证明了这一实现算法一定能求到总极值和总极值点，数值试验结果也支持这一理论结果。     

有界闭凸值测度的集值积分

引入实值函数关于有界闭凸值测度的集值积分,并讨论了集值积分的收敛定理,证明了当集值测度为有界闭凸集值的有界变差集值测度时,关于弱紧凸集值测度的积分性质对有界闭凸集值测度仍然保持.推广了实值函数关于弱紧凸值测度的积分.     

解非线性经补问题的积分水平集方法

本文考虑有约束的非线性互补问题的全局最优化问题,在文《Integral Global Optimization Method fro Solution of Nonlinear Complementarity problem》和《一的求总极值的积分－水平集方法》的基础上,给出了一种修正的求约束总极值的积分－水平集方法,它同样具有修正的求总极值的积分－水平集方法的两个特点：1）第一步需要构造一个新的函数,而且它与原目标函数具有相同的总极值;2）避免了郑权算法在一般情况下,由于水平集不易求得而造成难以求出水平的困难,并证明了算法的收敛性。     

修正积分水平集算法的一个实现算法及其收敛性证明

郑权等（1978）在“一个求总极值的方法”一文中给出了一个积分水平集求总极值的概念性算法及Monte-Carlo随机投点的实现算法,其收敛性一直未得以解决,本文在张连生,邬冬华等提出的修正算法的基础上,利用数论中一致分布佳点集列,给出了一个实现算法及全局收敛性的证明,为了提高算法的计算效率,文中对算法进行了并行化处理。     

双目标消防救援站选址模型的元胞阴阳平衡优化算法

为衡量消防救援站在不同时间内提供的救援服务质量,基于火灾风险等级引入时效性评价函数,构建考虑时效性和经济性的双目标选址模型。针对新模型属于NP难问题特点,设计元胞阴阳平衡优化算法进行求解。寻优个体既在阴阳平衡优化算法搜索空间进行全局探索,又在元胞空间利用演化规则在邻居范围内进行局部开发。实验证明了新模型的可行性和有效性,与蝙蝠算法、蜂群算法、和声搜索算法、NGSA-Ⅱ和元胞蚁群优化算法的比较表明,新算法在非劣解集的收敛性、多样性、分布均匀性以及计算速度方面优势显著。     

A modified integral global optimization method and its asymptotic convergence

In this paper, we propose a new integral global optimization algorithm for finding the solution of continuous minimization problem, and prove the asymptotic convergence of this algorithm. In our modified method we use variable measure integral, importance sampling and main idea of the cross-entropy method to ensure its convergence and efficiency. Numerical results show that the new method is very efficient in some challenging continuous global optimization problems.     

Finite dimensional approximation to solutions of minimization problems in functional spaces

In this paper we consider minimization problems whose objectives are defined on functional spaces. The integral global optimization technique is applied to characterize a global minimum as the limit of a sequence of approximating solutions on finite dimensional subspaces. Necessary and sufficient optimality conditions are presented. A variable measure algorithm is proposed to find such approximating solutions. Examples are presented to illustrate the variable measure method     

Global optimization of robust chance constrained problems

We propose a stochastic algorithm for the global optimization of chance constrained problems. We assume that the probability measure with which the constraints are evaluated is known only through its moments. The algorithm proceeds in two phases. In the first phase the probability distribution is (coarsely) discretized and solved to global optimality using a stochastic algorithm. We only assume that the stochastic algorithm exhibits a weak* convergence to a probability measure assigning all its mass to the discretized problem. A diffusion process is derived that has this convergence property. In the second phase, the discretization is improved by solving another nonlinear programming problem. It is shown that the algorithm converges to the solution of the original problem. We discuss the numerical performance of the algorithm and its application to process design.     

基于偏最小二乘变换与Kriging模型的全局优化方法

针对传统Kriging模型在多变量(高维)输入全局优化中因超参数过多而引发收敛速度慢,精度低,建模效率不高问题,提出了基于偏最小二乘变换技术和Kriging模型的有效全局优化方法.首先,构造偏最小二乘高斯核函数;其次,借助差分进化算法寻找满足期望改进准则最大化条件的新样本点;然后,将不同核函数和期望改进准则组合,构建四种有效全局优化算法并进行比较;最后,数值算例结果表明,基于偏最小二乘变换的Kriging全局优化方法在解决高维全局优化问题方面相比于标准的全局优化算法在收敛精度及收敛速度方面更具优势.     

基于正弦控制因子的Lateral变异鲨鱼优化算法

针对传统鲨鱼优化算法在求解高维目标函数时,易早熟收敛,陷入局部最优的缺陷.提出一种基于正弦控制因子的Lateral变异鲨鱼优化算法.通过正弦曲线的特性和自适应惯性权重,改善了传统鲨鱼优化算法中由于随机选取控制因子数值大小可能导致算法在迭代后期全局搜索能力降低的问题,提高了算法在迭代后期的全局收敛能力,并对最佳鲨鱼位置引入Lateral变异策略,加强了算法跳出局部最优的可能性.改进后的算法对多个shifted单峰,多峰以及固定维测试函数进行求解,实验结果表明,对比多种不同优化算法而言,本文所提LSSO算法具有更高的收敛精度和搜索速度.     

一种无约束全局优化的水平值下降算法

本文研究无约束全局优化问题,建立了一种新的水平值下降算法(Level-value Descent Method,LDM).讨论并建立了概率意义下取全局最小值的一个充分必要条件,证明了算法LDM是依概率测度收敛的.这种LDM算法是基于重点度取样(Improtance Sampling)和Markov链Monte-Carlo随机模拟实现的,并利用相对熵方法(TheCross-Entropy Method)自动更新取样密度,算例表明LDM算法具有较高的数值精度和较好的全局收敛性.