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。     

二阶矩阵快速乘法的一个新的算法集合

文献[1]—[4]从不同角度研究了二阶矩阵快速乘的各种问题,所有算法分属于以S算法与W算法为基础的两个算法集合.本文作者深入研究了算法的结构和性质,通过计算机检索,得到一个不属于上述两集合的算法和相应的包含有1048576个算法的封闭的算法集合.     

一种抽样二阶随机算法

本文针对机器学习中的大规模优化问题,将Lissa算法和SSN算法结合起来,给出一种抽样二阶随机算法(SSN-Lissa),并在目标函数是光滑且强凸的条件下,证明该算法的线性收敛性.数值例子表明SSN-Lissa算法比Lissa算法和SSN算法更有效.     

一类凸优化的加速混合下降算法

凸优化问题的混合下降算法利用近似条件的已知信息和随机数扩张预测校正步得到了一组下降方向.而前向加速收缩算法利用高斯赛德尔迭代算法的技术,结合邻近点算法和近似邻近点算法的思想,构造了富有扩张性的下降方向.本文借鉴混合下降算法和前向加速收缩算法的思想,利用已有近似规则信息改善了混合下降算法的下降方向,得到了一类凸优化问题的加速混合下降算法.随后利用Markov不等式、凸函数性质和投影的基本性质等,实现了算法的依概率收敛证明.一系列数值试验表明了加速混合下降算法的有效性和效率性.     

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.     

比例风险模型下参数极大似然估计的自适应优化算法及其改进算法

自适应优化算法可避免很多常用数值算法遭遇的困难,例如:高维矩阵求逆问题,初值选取的问题和算法的收敛问题等等.因此,自适应优化算法得到了迅速的发展和广泛的应用,本文研究了比例风险模型下的自适应优化算法.首先利用三种自适应优化算法-Adam算法、RMSprop算法、Adagrad算法求解比例风险模型下的参数估计数值解问题,获得了自适应算法的计算优良性.然后,推广了比例风险模型下的Adam算法的研究,发展了一种改进的Adam算法,进一步提高了算法的计算速度并展现了其计算优势.     

混合启发式算法求解多配送人员车辆路径问题

为解决带时间窗和多配送人员的车辆路径问题,本文采用混合启发式算法对其进行求解。该算法主要由整数规划重组、局部搜索算法和模拟退火算法三部分组成。在算法中,整数规划重组有效提高了解的质量,局部搜索算法和模拟退火算法保证了算法搜索的深入性和广泛性。通过与CPLEX和禁忌搜索算法进行对比,证实了混合启发式算法实用价值更高,求解效果更好。     

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.     

一种改进的蝴蝶优化算法

本文针对基本的蝴蝶优化算法存在收敛速度慢、精度低和易陷入局部最优等缺陷,提出一种改进的蝴蝶优化算法.首先通过实验分析参数对算法的影响,其次融入差分进化策略和精英策略,通过10个标准测试函数进行测试,结果表明,改进算法在8个测试函数中均找到了理论最优解,其收敛速度、精度和鲁棒性均优于基本的蝙蝠算法(BA)、花朵授粉算法(FPA)、布谷鸟算法(CS)、融合差分进化算法的花朵授粉算法(DEFPA)、蝴蝶算法(BOA)和融合差分进化算法的蝴蝶算法(DEBOA),且寻优性能得到大幅度提升;同时对4个非线性方程的求解也验证了该算法的有效性.     

整数扩展欧几里得矩阵序列的选择项算法的修正

Wang和Pan提出了一个计算整数扩展欧几里得矩阵序列的选择项的算法,并把此算法应用于模有理数重构问题和数值有理数重构问题.这个算法仅消耗接近线性的时间复杂度,与目前已知的整数gcd算法的最佳时间复杂度相一致,而整数gcd算法只是此算法的一个特殊情形.分析了这个算法,指出了算法中由于考虑的不够全面而存在的错误,补充了矩阵序列性质的理论部分,并修正这个算法.     

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.     

模糊推理的SIS算法

模糊推理的核心问题是求解模糊取式和模糊拒取式。算法的还原性是评价模糊推理好坏的重要标准之一。现有求解模糊取式和模糊拒取式问题的算法都不满足无条件的还原性。本文提出了一种新的模糊推理算法——SIS算法,证明了SIS算法是不需要附加任何条件的还原算法,并且还讨论了SIS算法的λ水平解。此算法必将对模糊推理和模糊控制等产生较大的影响。     

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.     

求解非线性方程组系统的改进蝴蝶优化算法

针对当前算法求解非线性方程组系统存在求解个数不完整、速度慢和精度低等问题,提出一种改进蝴蝶优化算法.首先重新定义蝴蝶优化算法的局部迭代公式,然后再结合改进的反向学习算法和二次插值方法增强算法的搜索能力.通过9个非线性方程组的仿真实验,结果表明该算法能有效搜索到非线性方程组的较多解,并与其他算法进行比较,该算法在解的数量、速度和质量上具有绝对优势.     

非精确信赖域类型算法及收敛性分析

在求解大规模数据的优化问题时,由于数据规模和维数较大,传统的算法效率较低.本文通过采用非精确梯度和非精确Hessian矩阵来降低计算成本,提出了非精确信赖域算法和非精确自适应三次正则化算法.在一定条件下,证明了算法有限步停止,并估计了算法迭代的复杂度.特别地,我们分析了采用随机抽样时算法在给定概率下的复杂度.最后,通过二分类问题的数值求解,比较了本文提出的随机信赖域算法,随机自适应三次正则化算法和已有算法收敛效率.数值结果表明在相同精度下,本文提出的算法效率更高,并且随机自适应三次正则化算法的效率优于随机信赖域算法.     

蚁群遗传混合算法

将蚁群遗传混合算法分别求解离散空间的和连续空间优化问题.求解旅行商问题的混合算法是以遗传算法为整个算法的框架,利用了蚁群算法中的信息素特性的进行交叉操作;根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-0pt方法对问题求解进行了局部优化.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.求解连续空间优化问题是以蚁群算法为整个算法的框架,加入遗传算法的交叉操作和变异操作,用测试函数验证了混合蚁群算法的正确性.     

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.     

基于在线捆绑的服务产品动态定价模型求解算法分析

通过三个数量产品的捆绑选择,证明了紧急补货模型(ER)和失销模型(LS)的动态捆绑问题的复杂性,提出启发性算法求解动态定价和捆绑的决策问题.通过算例比较了短视启发式算法、静态确定性近似算法、两阶段启发式算法和损耗率启发式算法分别在ER和LS模型中捆绑和定价决策的有效性和稳健性,结果表明在产品数量不多时两阶段算法是最佳选择,在产品数量较多或者顾客对产品捆绑价格敏感性较低时损耗率算法中的DRO算法更有效.分析有助于选择合适的算法对捆绑包结构和捆绑包价格进行计算.     

用改进的人工萤火虫群优化算法求解非线性方程组

针对传统算法复合形法在求解非线性方程组时依赖于初始值的选定和人工萤火虫群算法(GSO)算法在求解非线性方程组时求解精度低的缺点,提出一种基于复合形法的GSO算法(CGSO)求解非线性方程组方法.改进后的算法克服了传统算法的缺点且有效的提高了GSO算法在求解非线性方程组的精度.最后,通过对6个非线性方程组的仿真实验结果和传统算法,以及其他群智能算法进行比较,进而说明了CGSO算法的有效性.