非光滑约束优化的两阶段近似束方法

基于两阶段束方法思想,利用近似函数值以及近似次梯度构造割平面近似模型和线搜索条件,提出了一个非光滑约束优化的两阶段近似束方法。算法最终具备全局收敛性。     

基于粒子群优化思想的知识获取方法研究

决策信息系统的知识获取是粗糙集理论中一个重要研究方向,针对一个决策信息系统,如何从中获取简洁及丰富的知识是本文的一个创新点。由于粒子群优化算法可以从随机解出发,通过迭代寻找最优解,基于该算法的实现容易、精度高、收敛快等优点,本文提出一种知识获取的新方法,利用该方法,我们可以得到一个决策信息系统充分简洁的且又充分多的知识。     

板材轧制过程中设定初始速度场的类电磁机制算法

采用Newton-Raphson(NR)算法求解有限元离散化后形成的非线性方程组时,初速度场的设定对迭代过程能否收敛或收敛时的迭代次数都有重要影响,设定初速度场是技巧性很强的工作。本文提出设定板材轧制过程中初始速度场的类电磁机制(EM)算法,首先将能耗率泛函表达为节点速度的函数,然后采用随机策略产生一组可行速度场(对应一群带电粒子),最后根据粒子对应的能耗率泛函目标值来确定粒子间的吸引与排斥机制,按照一定的准则使得粒子朝最优解方向移动。数值实验结果显示,类电磁机制算法能为NR算法提供可快速收敛的初始速度场。     

一种改进的粒子群算法的优化

粒子群算法是一种全局智能优化算法,针对该算法在早期迭代中容易造成局部极值,在后期迭代中容易造成种群的多样性消失,使得算法收敛速度减慢,求解质量不高等缺点。本文提出通过收敛吸引因子粒子来获得局部最优值;加入扰动函数来更新粒子的速度来提高了算法整体效率。经典测试函数证明本文算法性能明显优于基本PSO算法,同时在算法复杂度方面优于其他的智能算法,有效地提升了算法的求解精度。     

高斯噪声下基于EM梯度算法的多用户检测的应用

EM算法是近些年来常用的求解缺失数据时的迭代算法,EM算法优点是简单易行性与普遍适用性.如果最大化不能用解析的方法实现而采用一种迭代优化的方法实现M步将产生嵌套循环计算,由此增加了计算的复杂度.基于此提出了EM梯度算法.在DS-CDMA系统中应用EM梯度算法进行检测,对比EM算法下的误码性能与收敛性能,实验结果显示EM梯度算法比标准EM算法具有相同的收敛速度.     

FCM聚类算法的改进

模糊C均值(FCM)算法广泛地应用于模式识别、图像分割等领域。根据FCM算法存在对初始解敏感且迭代过程中计算量大的问题,本文提出了一种改进的算法:先通过精简数据集,减少算法迭代的时间;再使用密度函数法得到FCM算法的初始聚类中心,以减少FCM算法收敛所需的迭代次数。实验结果表明,改进后的算法较好地解决了类中心的初值化问题,提高了算法的收敛速度和运行效率。     

基于改进的PSO算法的小波神经网络

本文针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

初始模型对地震走时层析成像结果的影响分析及对策

常规地震走时层析算法对初始模型有较强的依赖性,初始模型与实际模型偏差较大时,需要经过很多次的迭代才能得到较好的反演结果,甚至反演结果不收敛。针对这一问题,本文分析了不同初始模型的反演结果存在较大差异的原因,提出了一种对常规层析算法进行改进的方法,以提高算法对不同初始模型的一致收敛性。研究发现,模型中没有射线覆盖或者射线覆盖较少的地方是影响算法对初始模型依赖性的关键,因此本文提出使用动态插值方法改进反演过程,根据迭代次数和结果收敛情况自动选择合适的插值方法。实验表明,改进的算法不仅提高了层析成像算法对不同初始模型的一致收敛性,也提高了反演结果的精度。     

求解非线性互补问题的Modulus-Based变量替换法

本文针对非线性互补问题给出了一种Modulus-based变量替换方法。该方法将非线性互补问题转化为一种非光滑的非线性方程,并提出了相应的迭代算法,在一定条件下,证明了所提出算法的全局收敛。     

一种采用自适应机制的分层置信传播算法

提出了一种基于迭代自适应机制的改进算法,有效地缩减了分层置信传播算法(HBP)的计算时间.传统HBP计算时间随指定的迭代上限增加而线性增长.为此引入消息收敛的条件判断,在迭代上限相同情况下,减少算法的迭代次数,缩减整体迭代时间.实验表明,与传统HBP相比,该方法计算时间缩减了38％以上,计算时间对整体迭代上限不敏感.该方法可以应用于使用HBP算法的其他方法.     

一类关于Uzawa-AOR方法的鞍点问题

对于大型稀疏鞍点问题,本文研究一类用于求解鞍点问题的Uzawa-AOR方法,我们得出了保证其收敛的迭代方法。实际上,与Uzawa为外迭代和AOR为内迭代的方法相比,新的方法可以被认为是一个不精确的迭代。最后数值算例结果表明,新的迭代方法可以减少每一步的迭代数并且具有更快的收敛速度。     

一类关于Uzawa-AOR方法的鞍点问题

对于大型稀疏鞍点问题,本文研究一类用于求解鞍点问题的Uzawa-AOR方法,我们得出了保证其收敛的迭代方法。实际上,与Uzawa为外迭代和AOR为内迭代的方法相比,新的方法可以被认为是一个不精确的迭代。最后数值算例结果表明,新的迭代方法可以减少每一步的迭代数并且具有更快的收敛速度。     

寿命周期预测的计算机方法

回归曲线预测模型有很多种,大部分计算简单易行。但对于修正的指数(Modified Exponential)模型、皮尔(Pear—Reed)模型及甘培茨(Gompcrtz)模型等,在计算最佳参数值时,往往应用试探法、图解法及选点法等粗而慢的近似方法,而且,这些方法对自变量的取值常常附加一些限制条件。如果用牛顿法进行非线性最小二乘拟合,则因其局部收敛性而要求近似初值具有相当高的精度,方能使迭代收敛,这在数学上是相当困难的。针对这个同题,本文展开了深入的研究,给出了大范围收敛的迭代法用来求     

遗传算法中初始种群与交叉、变异率对解的影响及其解决方案

本文的研究表明，在相同的遗传算子下，初始种群性状和数量以及交叉、变异率的确定对算法收敛速度和结果的影响不能忽略。初始种群或交叉、变异率选择不当，将增加迭代次数，甚至直接导致算法陷入局部最优解。为此，本文提出一种基于空间分割的遗传算法及初始种群产生和种群数量确定方法，并根据有关文献，提出一种自适应交叉、变异率方法。实际计算表明，该算法在很大程度上避免了算法收敛于局部最优点，取得较好的效果。     

最小二乘恒模波束形成算法的研究与仿真实现

恒模波束形成算法是利用期望信号本身的特性实现波束形成的,而不需要参考信号,这种盲波束形成算法主要用于移动通信系统中,最小二乘恒模算法(LSCMA)是一种能够快速收敛的恒模算法。本文首先介绍了最小二乘恒模算法基本原理和权值迭代公式,然后通过计算机仿真实现了该算法,给出了仿真结果,并研究比较了算法取不同参数时的仿真结果,对静态LSCMA和动态LSCMA算法的收敛特性也进行了比较。     

乘性和加性噪声中谐波频率估计的快速有效算法

在本文中我们用一种三步迭代算法对乘性和加性噪声中谐波频率进行估计，并且这种估计达到了Op（N-3/2）的收敛速度，即仅有加性噪声时的收敛速度。     

基于模拟退火算法的船舶航向PID控制器参数优化研究

模拟退火算法(SA)是基于局部搜索算法的改进搜索算法,本文使用该方法对舶航向控制PID参数进行离线优化,利用SA算法对目标函数进行搜索迭代运算,得出优化后的PID参数,并进行MATLAB仿真实验与遗传算法(GA)和单纯形算法优化PID参数对比证明SA算法在优化PID参数的可行性和优越性,收敛时间短,系统无超调,上升快,应舵小,具有很强的鲁棒性。     

广义Uzawa-AOR算法求解奇异鞍点问题

随着时代的发展,现代科学技术在不断进步,各行业领域衍生出了许多大规模繁琐的计算,最终都归结为对于大型稀疏线性系统AX=b的求解。本文研究了一类新的Uzawa-AOR算法在Moore-Penrose广义逆下的广义定常迭代(以下简称广义Uzawa-AOR算法),并分析了求解奇异线性系统时的收敛性质以及收敛速度。     

梯度微粒群算法在经济负荷分配中的应用

针对微粒群算法在解决电力系统经济负荷分配(ED)时容易早熟收敛和后期收敛速度慢的特点,将梯度微粒群算法(GPSO)应用于ED问题的求解,算法考虑了机组的运行约束。本算法对在迭代过程中微粒的位置及适应度计算,获取梯度信息,进一步调整惯性权重,从而提高基本微粒群算法的收敛速度,避免其容易陷入局部极值。运用GPSO算法对IEEE30节点系统进行计算,并将其计算结果与微粒群算法(PSO)、梯度法和遗传算法(GA)进行比较,优化结果好于上述3种方法,分析表明该方法是可行的、有效的。     

无约束优化问题的精细修正牛顿算法分析

无约束优化问题是人们在探讨优化问题的典型和基础。为了解决这一问题,这一问题被提出时,牛顿通过研究确定了一种快速收敛的方式,解决了最速下降法存在的收敛性局限问题。但与此同时,牛顿算法不能解决一般非凸函数求解中迭代点矩阵正定不定的问题。最速下降法和牛顿算法可以分别解决迭代点矩阵负定或半负定、正定的问题。在前人研究的修正牛顿算法的基础上,笔者提出对最速下降法、牛顿算法及修正牛顿算法的优势进行结合,从而获得一种精细修正牛顿算法,用以解决迭代点矩阵正定不定的问题,收效良好,可以进行全局的收敛分析。