求解凸二次规划的一种改进的原-对偶内点算法

基于牛顿方向,给出了求解凸二次规划问题的改进原对偶可行内点算法。若获得算法的初始可行内点,则该算法经过多次迭代之后收敛到原问题的一个最优解。数值试验表明了该算法的有效性。     

含参量积分的次一致收敛性

本文在［１］、［２］的基础上，提出了含参量无穷积分次一致收敛的概念，并讨论了其性质及收敛条件。     

基于目标PSO算法的工程项目优化研究

近年来,国内建筑工程类产值与投资获得高速增长,建筑工程已成为我国重要的支柱性产业,合理有效地进行项目管理对建筑行业发展具有重要意义.以项目工期、成本及质量为项目施工的3大管理目标,通过对参数分析构建项目多目标优化模型.考虑到工程项目属于多目标优化求解问题,采用先进的PSO算法(Particle Swarm Optimization, PSO)构建工程项目多目标求解模型.由于传统的PSO算法在训练中存在局部最优解问题,采用最优位置策略来优化算法,完成对工程项目多目标问题的求解.在模型性能测试中,选择Schaffer基准函数来检验各算法性能,改进PSO算法能够在第6次迭代时趋于收敛,全局最优值为0.002 5,相较于另外3种算法误差更低,收敛速度更快.以某工程项目为实验对象,采用改进PSO算法对多目标模型进行求解,与原有规划目标相比,工程项目优化过后建设成本下降了3.785%,工期缩短了3.103%,同时工程项目自身质量与环境质量均满足工程项目要求.     

基于引导策略自适应粒子群算法的农村电网无功优化

粒子群优化算法在农村电网无功优化领域已有广泛应用,但算法存在不足,易陷入局部极值。算法中粒子更新方式和惯性权重是影响搜索能力的关键因素,提出了一种基于引导策略的自适应粒子群算法(adaptive particle swarm optimization algorithm with guiding strategy,GSAPSO),该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导来克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,粒子更新方式和惯性权重的改进极大地提高了搜索到全局最优解的有效性。以IEEE 30节点测试系统为例进行仿真计算,采用GSAPSO算法无功优化计算后最优降损率可达到18.966%,节点最低电压为1.0091p.u.,最优解迭代次数45次,平均迭代次数64.6次,相比标准粒子群算法(PSO)、随机权重粒子群算法(wPSO)和惯性权重线性递减的粒子群算法(LDWPSO)均有很大提升。仿真结果表明:应用GSAPSO算法求得的解质量更高,收敛速度和精度明显高于其他3种算法,说明该算法具有更好的寻优能力和收敛性能。     

两种求二次剩余平方根算法的比较

在模是大合数的情况下,求二次剩余平方根是一个困难问题.目前已知的求二次剩余平方根的算法有两种,本文对Cocks和曹珍富的算法进行分析比较,结果表明由Cocks提出的算法效率更高,这对今后求二次剩余平方根时进行算法选择提供了帮助.     

一种用于防止早熟收敛的改进遗传算法

针对遗传算法中的早熟收敛现象,提出了一种改进的遗传算法.该算法利用种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据.一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力.同时结合种群的最优个体和引入的随机种群,设计了一种包含选择、交叉算子的一般性算子,使算法能有效维持种群的多样性,快速找到全局最优解.     

自适应DSTLMS算法及其应用

本文提出了离散正弦变换域LMS(DSTLMS)自适应滤波算法,证明了算法的收敛性,导出了算法的收敛条件,分析了算法的学习特性,讨论了算法在语音信号自适应滤波、自适应线性预测和自适应平滑滤波方面的应用.理论和模拟实验表明了DSTLMS算法有比常规LMS算法快得多的收敛速率.     

一个五阶收敛的求解非线性方程的新算法

针对非线性方程求解问题,本文在三阶收敛的Newton-Steffensen迭代法的基础上,构造了一个五阶收敛的新算法.与文献中给出的具有相同计算效率的算法相比,本论文给出的算法不需要使用函数的二阶导数.     

一种用于防止早熟收敛的改进遗传算法

针对遗传算法中的早熟收敛现象,提出了一种改进的遗传算法.该算法利用种群多样性算子产生较好的初始种群分布,并以该算子作为判断种群是否早熟收敛的依据.一旦出现早熟收敛或早熟收敛的趋势,则进行灾变,以恢复算法的进化能力.同时结合种群的最优个体和引入的随机种群,设计了一种包含选择、交叉算子的一般性算子,使算法能有效维持种群的多样性,快速找到全局最优解.     

一般约束优化问题的S Q P方法及其收敛性

提出求解一般等式和不等式约束优化问题的SQP算法,在适当的假设条件下,证明算法具有全局收敛和超线性收敛速度.数值试验表明该算法是有效的.     

解非线性方程组的一类多重分裂加性Schwarz算法

讨论求解一类非线性方程组的多重分裂加性Schwarz算法和两水平多重分裂加性Schwarz算法，分析其收敛性和收敛速度并建立了收敛性理论，这类算法结合多重分裂和加性Schwarz算法，具有很好的并行性能，因而特别适合于并行计算．数值算例证实了算法的有效性．     

保守修正BFGS算法及全局收敛性

基于新拟牛顿方程,提出一类保守修正BFGS算法.该算法的特点是：即使当目标函数是非凸函数时,该算法仍然是全局收敛的.在适当的条件下,该算法具有局部超线性收敛性.初步的数值实验表明,该算法是有效的.     

倒向随机方程期权定价模型的一类随机算法

期权定价问题可以转化为对倒向随机微分方程的求解，进而转化为对相应抛物型偏微分方程的求解.为了求解与倒向随机微分方程相应的二阶拟线性抛物型微分方程初值问题，引入一类新的随机算法-分层方法取代传统的确定性数值算法.这种数值方法理论上是通过弱显式欧拉法，离散其相应随机系统解的概率表示而得到.该随机算法的收敛性在文中得到证明，其稳定性是自然的.并构造了易于数值实现的基于插值的算法，实证研究说明这种算法能很好地提供期权定价模型的数值模拟.     

一类矩阵方程的最小二乘双对称解及其最佳逼近

构造了一种迭代法求一类矩阵方程的最小二乘双对称解.研究了迭代序列的若干性质,证明了算法的收敛性.数值算例表明,这种迭代法是有效的.     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

基于GaBP算法的快速潮流计算方法

研究在潮流迭代求解过程中雅可比矩阵方程组的迭代求解方法及其收敛性。首先利用PQ分解法进行潮流迭代求解,并针对求解过程中雅可比矩阵对称且对角占优的特性,对雅可比矩阵方程组采用高斯置信传播算法(GaBP)进行求解,再结合Steffensen加速迭代法以提高GaBP算法的收敛性。对IEEE118、IEEE300节点标准系统和两个波兰互联大规模电力系统进行仿真计算后结果表明：随着系统规模的增长,使用Steffensen加速迭代法进行加速的GaBP算法相对于基于不完全LU的预处理广义极小残余方法(GMRES)具有更好的收敛性,为大规模电力系统潮流计算的快速求解提供了一种新思路。     

一个新的拟牛顿信赖域算法

提出了一种新的修正拟牛顿信赖域算法.算法同时利用函数值信息和梯度信息构造信赖域子问题,既可保持信赖域子问题海森矩阵的正定性,又能改善算法的数值执行.在一定假设的条件下,证明了算法的全局收敛性,并通过数值实验表明了提出算法的有效性.     

基于神经网络PID算法的优化饲料配制系统

【目的】设计饲料配制控制系统,并采用神经网络PID优化算法实现对配料精度的提高。【方法】以西门子S-200 smart型PLC为主控设计饲料配制控制系统,针对现有常规PID算法的控制策略存在超调大、收敛慢等缺陷和BP神经网络梯度下降过程容易出现局部最小化问题,提出以附加动量项的BP神经网络PID算法实现称重误差的降低。【结果】基于动量项的梯度下降法建立的BP神经网络PID算法模型解决了参数自学习整定问题,在响应速度上该算法与PID算法对比为3∶1,试验后平均精度99.6%。并在收敛速度和改善超调现象具有更高效的表现。【结论】配料系统经算法优化后误差得到有效控制。     

配电网重构的微分进化算法研究

配电网重构是降低电力系统中网络损耗的主要途径.将微分进化算法应用于配电网重构中,通过改变开关的闭合状态来改变网络的拓扑结构,从而达到网损最小的目的.并通过两种不同的智能优化算法对IEEE33节点系统进行仿真测试,测试结果表明:微分进化算法具有收敛速度快、鲁棒性好、计算精度高等特点.     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题，提出了一种基于双子群的改进粒子群优化算法（TS IPSO)，通过2组搜索方向相反的主、辅子群之间的相互协同，扩大搜索范围，借鉴遗传算法的杂交机制，并采用惯性权值的非线性递减策略，加快算法的收敛速度和提高粒子的搜索能力，降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度，改善了优化性能.