人教新課標音樂四年級下冊紅蜻蜓2(已修改)
2024-12-24 18:27 本頁面
【正文】 解不可微函數(shù)優(yōu)化的一種混合遺傳算法 摘 要 在浮點編碼遺傳算法中加入 Powell方法，構成適于不可微函數(shù)全局優(yōu)化的混合遺傳算法?；旌纤惴ǜ纳屏诉z傳算法的局部搜索能力，顯著提高了遺傳算法求得全局解的概率。由于只利用函數(shù)值信息，混合算法是一種求解可微和不可微函數(shù)全局優(yōu)化問題的通用方法。 關鍵詞 全局最優(yōu)；混合算法；遺傳算法； Powell方法 引言 不可微非線性函數(shù)優(yōu)化問題具有廣泛的工程和應用背景，如結構設 計中使 結構內(nèi)最大應力最小而歸結為極大極小優(yōu)化（ minmax）問題、數(shù)據(jù)魯棒性擬合中采取最小絕對值準則建立失擬函數(shù)等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、 Powell方法等，但是這些方法都是局部優(yōu)化方法，優(yōu)化結果與初值有關。 近年來，由 Holland研究自然現(xiàn)象與人工系統(tǒng)的自適應行為時，借鑒 “ 優(yōu)勝劣汰 ” 的生物進化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數(shù)全局最優(yōu)解的方法。以遺傳算法為代表的進化算法發(fā)展很快，在各種問題的求解與應用中展現(xiàn)了其特點和魅力，但是其理論基礎還不完善，在理論和應用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題 [1,2]。為克服這一問題，早在 1989年 Goldberg就提出混合方法的框架 [2]，把 GA與傳統(tǒng)的、基于知識的啟發(fā)式搜索技術相結合，來改善基本遺傳算法的局部搜索能 力，使遺傳算法離開早熟收斂狀態(tài)而繼續(xù)接近全局最優(yōu)解。近來，文獻 [3]和 [4]在總結分析已有發(fā)展成果的基礎上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優(yōu)化方法結合構成新的全局優(yōu)化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計算性能。文獻 [5]采用牛頓－萊佛森法和遺傳算法進行雜交求解旅行商問題，文獻 [6]把最 速下降法與遺傳算法相結合來求解連續(xù)可微函數(shù)優(yōu)化問題，均取得良好的計算效果，但是不適于不可微函數(shù)優(yōu)化問題。 本文提出把
教學課件相關推薦
鄂ICP備17016276號-1