线性约束凸二次规划的一个原始-对偶内点算法

对具有线性约束凸二次规划问题给出了一个原始-对偶内点算法，任一原始-对偶可行内点都可作为算法的初始点，当初始点在中心路径附近时，便成为中心路径跟踪算法，此时总迭代次数为O(√nL)，其中L为输入长度．数值实验表明，算法对求解大型的这类问题是有效的．     

一类线性约束凸规划问题的一个原始－对偶内点算法

对一类具有线性约束的凸规划问题给出了一个原始－对偶内点算法, 该算法可在任一原始－对偶可行内点启动, 并且全局收敛. 当初始点靠近中心路径时, 便成为中心路径跟踪算法. 数值算例表明该算法是有效的.     

Hopfield网络解旅行商问题的动态消元算法

对Hopfield网络解旅行商问题的算法做了改进工作:为了消除无效解,给出了普适的初始状态,调整了差分迭代方程的参数,改变了稳定状态的判断.为了得到最优解,提出动态消元算法,要求消元后第r次的运算结果优于或等于第r-1次的运算结果.计算机模拟表明此算法对初始条件具有稳健性,从任何初始状态开始都能得到最优解.     

求解动态车辆路径问题的演化蚁群算法

在Evo-Ant算法的基础上提出了多目标的算法,即利用Evo-Ant算法来产生新的解,并利用一个额外的存储空间来存放Pareto候选解,用新产生的解来更新Pareto候选解,消除被支配的解,依次循环,从而得到近似的Pareto解.为了验证演化蚁群算法,采用2种测试手段：一种是Solomon的测试数据;另一种是在仿真环境下的测试.实验结果表明该算法很具有竞争能力.     

正交匹配追踪算法的迭代残差重建方法

正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法是一种重要的压缩感知重构算法. OMP算法在每次迭代中选择与当前残差最相关的原子. 针对每次迭代需要重新计算残差的问题, 本文考虑偶数次迭代下残差未知的情况. 首先, 研究了奇数次迭代的残差与下一次迭代的残差之间的关系, 得到了一种偶数次迭代时选择原子的标准. 然后, 引入一种回溯机制来处理前面所得的迭代结果, 这种机制通过剔除其中多余的原子来实现精确重建. 据此, 提出了可减少计算残差的改进型正交匹配追踪算法.     

参数强向量原始与对偶均衡问题解映射的Lipschitz连续性

在赋范线性空间中研究参数强向量原始与对偶均衡问题解映射的Lipschitz连续性。给出了参数强向量原始与对偶均衡问题有效解的概念,提出了向量函数的强凸（凹）性和单调性,应用分析方法建立了参数强向量原始与对偶均衡问题解映射Lipschitz连续的充分性定理。研究表明,参数强向量原始与对偶均衡问题解映射Lipschitz连续的结论具有统一性。     

一种求解混合整数非线性规划问题的演化算法--搜索空间自动收缩法

提出一种求解混合整数非线性规划问题的新的演化算法 -搜索空间自动收缩法 (ACSSOS) .在这种算法中 ,演化算法既用来定位最优解区域 ,实现搜索空间自动向全局最优解收缩 ,又用来最终求得最优解 .由于在遗传算子中引用了舍入操作 ,它不仅可用来求解混合非线性整数规划问题 ,也可求解纯整型或纯实型变量非线性函数优化问题 .数值试验结果表明本文的算法在解的质量、稳定性和收敛速度等方面优于一般的演化算法 .     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

基于离散曲率的边折叠网格简化算法

在以往的网格简化算法中,大多是采用空间几何距离作为简化准则.几何距离能很好地控制简化后的网格与原始网格之间的误差,但在保持形状特征上相对较弱.本文提出的网格简化算法是根据网格顶点的曲率,采用边折叠的方式来减少低频区域的网格顶点密度.由于曲率能很好地刻画网格形状,故本文的算法能较好地保持原始网格的形状特征.     

求解一类随机优化问题的粒子群算法

提出了一个解随机优化问题的粒子群算法.该算法易理解,程序上易实现,克服了随机优化问题难以高效实现全局优化的缺点.数值实验结果表明,所提出的算法能够快速地收敛到随机优化问题的最优解,并且具有良好的鲁棒性,是此类问题的一个高效求解算法.