測試函數(shù)
- 融入重心反向?qū)W習(xí)和單純形搜索的粒子群優(yōu)化算法
on4.2 測試函數(shù)本文采用常見的基準(zhǔn)測試函數(shù)對(duì)算法的尋優(yōu)能力進(jìn)行評(píng)價(jià)。其中,f1～f4為常用單峰函數(shù),分別為Sphere、Rosenbrock、Duadric和Powersum函數(shù),一般用來檢驗(yàn)算法的收斂速度和求解精度;f5～f8為常用多峰函數(shù),分別為Griewank、Rastrigin、Schwefel和Acley函數(shù),用于評(píng)估算法跳出局部極值的全局搜索能力;f9～f10為CEC’2013中的偏移單峰函數(shù),f11和f12為CEC’2013中的偏移多峰函
計(jì)算機(jī)工程與科學(xué) 2023年9期2023-09-18
- 基于LMS-SPWVD的非平穩(wěn)振動(dòng)信號(hào)時(shí)頻分析方法
平穩(wěn)含噪信號(hào)測試函數(shù)進(jìn)行處理,獲取最優(yōu)信號(hào)時(shí)域波形;然后采用SPWVD對(duì)其進(jìn)行分析,構(gòu)建時(shí)頻分布模型;最后將分析結(jié)果與SPWVD、LMS-STFT、LMS-WVD比較,驗(yàn)證該方法的有效性。1 基本理論1.1 LMSLMS算法因其結(jié)構(gòu)簡單、計(jì)算量小、穩(wěn)定性好的特點(diǎn),被廣泛用于信號(hào)處理、系統(tǒng)辨識(shí)及目標(biāo)跟蹤等領(lǐng)域[15-17]。LMS算法的基本原理結(jié)構(gòu)圖如圖1所示。其中x(n)為含噪輸入信號(hào),y(n)為濾波輸出信號(hào),d(n)為期望信號(hào),e(n)為期望信號(hào)與濾波信
太原科技大學(xué)學(xué)報(bào) 2023年4期2023-07-21
- 改進(jìn)交叉算子的自適應(yīng)人工蜂群黏菌算法
采用8個(gè)基準(zhǔn)測試函數(shù)以及部分CEC2014測試函數(shù)對(duì)改進(jìn)算法進(jìn)行尋優(yōu)測試，并結(jié)合Wilcoxon值和統(tǒng)計(jì)檢測驗(yàn)證了改進(jìn)算法的有效性.2 黏菌優(yōu)化算法SMA是根據(jù)黏菌個(gè)體的振蕩捕食行為提出的一種智能優(yōu)化算法，自然界中的黏菌可以根據(jù)空氣中食物氣味的濃度來接近食物，當(dāng)黏菌靜脈接觸的食物濃度越高，生物振蕩越強(qiáng)，黏菌靜脈寬度增大，該區(qū)域聚集更多黏菌；當(dāng)該區(qū)域食物濃度低時(shí)，黏菌轉(zhuǎn)向探索其他區(qū)域.黏菌接近食物的數(shù)學(xué)模型描述如公式(1)所示：(1)式中，t為當(dāng)前迭代次數(shù)，
小型微型計(jì)算機(jī)系統(tǒng) 2023年2期2023-02-17
- 改進(jìn)搜索機(jī)制的單純形法引導(dǎo)麻雀搜索算法*
EC2014測試函數(shù)的仿真實(shí)驗(yàn)，驗(yàn)證了本文改進(jìn)算法的有效性。2 麻雀搜索算法SSA的靈感來源于自然界中麻雀種群的捕食和偵察預(yù)警行為。一個(gè)麻雀種群中存在發(fā)現(xiàn)者、加入者和偵察者3種個(gè)體。發(fā)現(xiàn)者在搜索空間中擁有較好的位置并帶領(lǐng)其它發(fā)現(xiàn)者覓食。偵察者隨機(jī)產(chǎn)生，負(fù)責(zé)偵察預(yù)警。算法起源于一個(gè)由n只麻雀組成的種群X，X由式(1)所示的矩陣所示：(1)其中，D表示問題維度，n表示種群數(shù)量,X中每一行表示一只麻雀的位置向量。在一個(gè)麻雀種群中，發(fā)現(xiàn)者通常有很高的能量儲(chǔ)備，能為
計(jì)算機(jī)工程與科學(xué) 2022年12期2022-12-22
- 基于鯨魚圍捕和驅(qū)趕策略的改進(jìn)粒子群算法
性能。多峰值測試函數(shù)為式中，x0——第d維度的x值。單峰值測試函數(shù)為固定維多峰值測試函數(shù)為f1至f4為高維多峰函數(shù)，高維多峰函數(shù)的維度均為30，理論最優(yōu)解除f3外均為0；f5至f10均為單峰函數(shù)，單峰函數(shù)的維度均為30，理論最優(yōu)解均為0；f11和f12為固定維多峰函數(shù)，其維度分別為2和4，理論最優(yōu)解分別為1和-10.536 3。文中將所有測試算法的規(guī)模都設(shè)置為20，迭代次數(shù)設(shè)置為1 000，分別運(yùn)行30次，取測試結(jié)果的平均值和均方差作為評(píng)估指標(biāo)。5個(gè)算法對(duì)
黑龍江科技大學(xué)學(xué)報(bào) 2022年4期2022-08-30
- 使用高斯分布估計(jì)策略的改進(jìn)樽海鞘群算法
EC2017測試函數(shù),并與其他算法進(jìn)行對(duì)比,驗(yàn)證了本文提出的改進(jìn)策略的有效性和改進(jìn)算法的優(yōu)越性。1 原始SSA樽海鞘群體在進(jìn)行覓食時(shí)通常分為兩個(gè)部分:領(lǐng)導(dǎo)者和追隨者。領(lǐng)導(dǎo)者位于鏈的前端,負(fù)責(zé)尋找食物源進(jìn)行引導(dǎo),追隨者則跟隨先前的個(gè)體,群體通過相互協(xié)作找到食物源,具體數(shù)學(xué)模型介紹如下。同其他群智能優(yōu)化算法類似,初始化階段盡可能均勻分布在搜索空間,隨機(jī)初始化位置公式為(1)=·(-)+(1)式中:為服從0到1均勻分布的隨機(jī)向量;和分別表示搜索空間的上下界。樽海
系統(tǒng)工程與電子技術(shù) 2022年7期2022-06-25
- 融合振蕩禁忌搜索的自適應(yīng)均衡優(yōu)化算法
過10個(gè)基準(zhǔn)測試函數(shù)及其Wilcoxon秩和檢測和部分CEC2014測試函數(shù)的仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了CfOEO算法的優(yōu)越性。1 EO算法介紹EO算法來源于一個(gè)描述容器內(nèi)進(jìn)出物質(zhì)質(zhì)量平衡的一階常微分方程，方程描述了容器內(nèi)質(zhì)量隨時(shí)間變化的規(guī)律，其數(shù)學(xué)模型如式（1）所示：式中，V表示容積；C表示濃度；Q為單位時(shí)間內(nèi)進(jìn)出的容量流率；Ceq為平衡狀態(tài)下的濃度；G表示質(zhì)量生成速率。分析式（1）可知，平衡體系中質(zhì)量隨時(shí)間的變化等于進(jìn)入系統(tǒng)的質(zhì)量加上系統(tǒng)內(nèi)部產(chǎn)生的質(zhì)量減去離開
計(jì)算機(jī)工程與應(yīng)用 2022年10期2022-05-19
- 基于平均位置學(xué)習(xí)的改進(jìn)粒子群算法研究
EC2017測試函數(shù)中的單峰和多峰共8個(gè)測試函數(shù)進(jìn)行函數(shù)優(yōu)化的對(duì)比實(shí)驗(yàn)。其中，f4和f5為單峰函數(shù)，f1、f2、f3、f6、f7和f8為多峰函數(shù)，它們分別用于檢驗(yàn)不同算法的搜索速度、尋優(yōu)能力和全局搜索能力。具體測試函數(shù)見表1。表1 本文選用的8個(gè)測試函數(shù)為了增加這些檢測函數(shù)的優(yōu)化難度，將部分函數(shù)都進(jìn)行旋轉(zhuǎn)，用“*”表示對(duì)應(yīng)測試函數(shù)進(jìn)行旋轉(zhuǎn) 。選擇4個(gè)不同算法與本文提出的MLFDR相比較，4個(gè)不同算法分別是：PSO[1]、FDR[8]、wFIPS[14]和U
- 動(dòng)態(tài)罰函數(shù)法求解約束優(yōu)化問題
CO在大多數(shù)測試函數(shù)上性能優(yōu)于其他比較算法。1 ε 約束法ε約束法是Takahama和Sakai提出的一種具有代表性的約束處理技術(shù)，對(duì)于任意兩個(gè)個(gè)體xi和xj，滿足以下任一條件，xi優(yōu)于xj：其中，這里，ε0是初始閾值，t和T分別是種群的當(dāng)前迭代次數(shù)和最大迭代次數(shù)，λ和p是兩個(gè)參數(shù)，ε隨迭代次數(shù)的增加而減小。2 差分進(jìn)化算法1997年Storn和Price提出差分進(jìn)化算法（differential evolution，DE）[11]，其具有結(jié)構(gòu)簡單、易于
計(jì)算機(jī)工程與應(yīng)用 2022年4期2022-03-02
- 解信賴域子問題的多折線算法
數(shù)值試驗(yàn)采用測試函數(shù)1與測試函數(shù)2對(duì)多折線算法進(jìn)行數(shù)值試驗(yàn)[15-16]，同時(shí)與DSD算法[14]的數(shù)值結(jié)果進(jìn)行比較見表1與表2，表中的Δ為信賴域半徑，表中的qDSD-q本文算法指本文的多折線算法與DSD算法的最優(yōu)值差。表1 測試函數(shù)1數(shù)值結(jié)果比較表表2 測試函數(shù)2數(shù)值結(jié)果比較表測試函數(shù)1：s.t.‖δ‖2≤Δ測試函數(shù)2：s.t.‖δ‖2≤Δ由表1與表2的數(shù)值結(jié)果比較可得出：本文構(gòu)造的多折線算法無論對(duì)測試函數(shù)1還是測試函數(shù)2當(dāng)信賴域半徑的取值小于10.2時(shí)
太原科技大學(xué)學(xué)報(bào) 2022年1期2022-02-24
- 一種求解信賴域子問題的多割線折線算法
文末附錄中的測試函數(shù)，令多割線折線算法中的步長h=0.1，文獻(xiàn)[7]中的歐拉切線算法步長中的參數(shù)k=8，然后進(jìn)行數(shù)值實(shí)驗(yàn)，把多割線折線算法求解的測試函數(shù)在最優(yōu)解處的函數(shù)值分別與文獻(xiàn)[1]中的切線單折線法和文獻(xiàn)[7]中的分段切線算法求解的測試函數(shù)在最優(yōu)解處的函數(shù)值進(jìn)行比較,并對(duì)數(shù)值實(shí)驗(yàn)結(jié)果進(jìn)行了分析.數(shù)值實(shí)驗(yàn)結(jié)果分別列在表1和表2中,其中Δ表示信賴域半徑，fTDL表示切線單折線法求解的測試函數(shù)在最優(yōu)解處的函數(shù)值，fSTA表示分段切線算法求解的測試函數(shù)在最優(yōu)解
寧夏師范學(xué)院學(xué)報(bào) 2022年1期2022-02-22
- 一種基于精英選擇和反向?qū)W習(xí)的分布估計(jì)算法
chmark測試函數(shù)的仿真來實(shí)現(xiàn)，與之對(duì)比的算法選擇性能比較好的EE-EDA算法和基本經(jīng)典的EDA算法。2 基本分布估計(jì)算法分布估計(jì)算法主要采用統(tǒng)計(jì)方法構(gòu)建優(yōu)秀個(gè)體的概率模型，該概率模型能夠反映變量之間的關(guān)系，對(duì)該概率模型采樣以此產(chǎn)生新種群，不斷迭代進(jìn)化，最終實(shí)現(xiàn)搜索空間內(nèi)的尋優(yōu)。其中的關(guān)鍵步驟主要如下[25]：1) 初始化設(shè)置種群規(guī)模PS，最大進(jìn)化代數(shù)Gmax，搜索空間維數(shù)D。初始種群通過在搜索空間范圍內(nèi)通過均勻分布隨機(jī)產(chǎn)生pop(xi)0=ai+(bi
計(jì)算機(jī)仿真 2021年1期2021-11-18
- 基于自適應(yīng)選擇的多策略粒子群算法
分析4.1 測試函數(shù)為了測試基于自適應(yīng)選擇的多策略粒子群算法的性能，本次試驗(yàn)采用8個(gè)標(biāo)準(zhǔn)測試函數(shù)，可將其分為三組。1)第一組為4個(gè)標(biāo)準(zhǔn)測試函數(shù)，其中包括：2個(gè)單峰函數(shù)(f1，f2)2個(gè)多峰函數(shù)(f3，f4)2)第二組為病態(tài)條件下的標(biāo)準(zhǔn)測試函數(shù)，其是在標(biāo)準(zhǔn)測試函數(shù)的基礎(chǔ)上加入噪聲、平移和旋轉(zhuǎn)的操作，從而提高測試函數(shù)的復(fù)雜。其中，平移函數(shù)為Shifted Schwefeil 1.2函數(shù)，具體可以表示為：o為平移量，也是全局最優(yōu)的解;fbias為函數(shù)值偏移量，此
計(jì)算機(jī)仿真 2021年3期2021-11-17
- 基于醉漢漫步和反向?qū)W習(xí)的灰狼優(yōu)化算法*
出了更復(fù)雜的測試函數(shù)，如CEC(Congress on Evolutionary Computation)2013、CEC2014等。以上學(xué)者所提出的改進(jìn)算法無論在全局收斂性還是求解精度方面都待提高，同時(shí)算法尋優(yōu)只針對(duì)標(biāo)準(zhǔn)測試函數(shù)，對(duì)復(fù)雜測試函數(shù)效果不佳。灰狼優(yōu)化GWO(Grey Wolf Optimizer)算法是Mirjalili等[8]在2014 年提出的一種群體智能優(yōu)化算法。GWO概念清晰，具有結(jié)構(gòu)簡單、計(jì)算時(shí)間復(fù)雜度低、易于實(shí)現(xiàn)和局部尋優(yōu)能力強(qiáng)等
計(jì)算機(jī)工程與科學(xué) 2021年9期2021-09-23
- 混沌精英哈里斯鷹優(yōu)化算法
用20個(gè)基準(zhǔn)測試函數(shù)進(jìn)行測試?；鶞?zhǔn)測試函數(shù)包括7個(gè)單峰測試函數(shù)、5個(gè)多峰測試函數(shù)和8個(gè)固定維度的多峰函數(shù)。F1～F7只有1個(gè)全局最優(yōu)值，常用于評(píng)估算法的開發(fā)能力；F8～F20則可以評(píng)估算法的探索能力和局部最優(yōu)規(guī)避能力?；鶞?zhǔn)測試函數(shù)如表1所示。3.1 實(shí)驗(yàn)參數(shù)設(shè)置為了充分驗(yàn)證CEHHO算法的有效性與優(yōu)越性，選擇WOA［2］、GWO［6］、PSO（Particle Swarm Optimization）［17］、BBO（Biogeography-Based O
計(jì)算機(jī)應(yīng)用 2021年8期2021-09-09
- 考慮整體趨勢的最佳子集Kriging模型
量。3.1 測試函數(shù)1測試函數(shù)1來源于文獻(xiàn)[13]，有：(7)圖1為測試函數(shù)1的真實(shí)響應(yīng)值的等高線圖，圖2為本文方法給出的響應(yīng)值等高線圖。對(duì)比圖1、圖2可知，IKM的響應(yīng)值與真實(shí)函數(shù)的響應(yīng)值總體趨勢吻合較好。圖1 測試函數(shù)1真實(shí)響應(yīng)值等高線圖圖2 基于IKM的測試函數(shù)1響應(yīng)值等高線圖趨勢函數(shù)計(jì)算結(jié)果見表1，IKM與其他模型的總樣本數(shù)及對(duì)比見表2。通過表1可知，當(dāng)代理模型整體趨勢函數(shù)階數(shù)等于2時(shí)，趨勢擬合程度最高。由表2可知，本文算法需要12個(gè)初始樣本和3個(gè)
兵器裝備工程學(xué)報(bào) 2021年7期2021-08-04
- 基于等級(jí)制度和布朗運(yùn)動(dòng)的混沌麻雀搜索算法
算法在12種測試函數(shù)中進(jìn)行比較，測試函數(shù)如表2所示。為公平比較，在相同實(shí)驗(yàn)平臺(tái)上，設(shè)置種群數(shù)為50，最大迭代數(shù)為300，算法參數(shù)與原文獻(xiàn)保持一致。所有算法均使用MATLAB R2018b編程，計(jì)算機(jī)操作系統(tǒng)為Windows10，處理器為AMD R7 4700 U 16 GB。表3為各算法獨(dú)立運(yùn)行30次的統(tǒng)計(jì)結(jié)果。表2 測試函數(shù)表3 11種混沌映射組合算法計(jì)算平均值比較從表3可以得知，對(duì)于F1、F2，有5種映射結(jié)合算法優(yōu)于SSA算法；對(duì)于F3、F8，有4種映
空軍工程大學(xué)學(xué)報(bào) 2021年3期2021-07-24
- 目標(biāo)空間映射策略的高維多目標(biāo)粒子群優(yōu)化算法
對(duì)于一個(gè)m維測試函數(shù)，通過式(11)對(duì)其所有的目標(biāo)維度的變化率進(jìn)行計(jì)算，當(dāng)所有的變化率都小于0.005時(shí)，算法陷入局部 最優(yōu)。2.4 MOPSO-OSM流程MOPSO-OSM算法具體流程如下：1)算法初始化；2)判斷是否滿足停止條件，若條件滿足，算法停止迭代，否則轉(zhuǎn)到3)；3)判斷種群是否陷入局部最優(yōu)，執(zhí)行反向?qū)W習(xí)策略；否則，直接轉(zhuǎn)到4)；4)利用式(1)和(2)更新個(gè)體的速度和位置；5)計(jì)算個(gè)體的適應(yīng)度值；6)對(duì)個(gè)體當(dāng)前適應(yīng)度值和前代適應(yīng)度值進(jìn)行比較來更
智能系統(tǒng)學(xué)報(bào) 2021年2期2021-07-05
- 改進(jìn)收斂因子和變異策略的灰狼優(yōu)化算法
hmark 測試函數(shù)進(jìn)行仿真實(shí)驗(yàn)對(duì)比，表1 給出了16 個(gè)函數(shù)的相關(guān)信息。其中f1～f9是單峰優(yōu)化函數(shù)，f10～f16是多峰優(yōu)化函數(shù)。表1 測試函數(shù)從兩個(gè)不同的方面設(shè)置了對(duì)比實(shí)驗(yàn)：1）比較CMGWO 與RMDE［5］，GWO［1］和WOA［6］在16 個(gè)測試函數(shù)上的收斂精度收斂速度；2）比較CMGWO 與NGWO［3］、PSO_GWO［7］、mGWO［8］、EGWO［9］和LGWO［4］在8 個(gè)測試函數(shù)上的收斂精度。3.1 實(shí)驗(yàn)參數(shù)設(shè)置各算法的參數(shù)具體設(shè)置
佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)（自然科學(xué)版） 2021年3期2021-06-15
- 永磁同步電機(jī)的自抗擾控制器參數(shù)自整定
)對(duì)表1中的測試函數(shù)f1、f2、f3、f4進(jìn)行尋優(yōu)時(shí)(其中f1、f2為單峰函數(shù)，f3、f4為多峰函數(shù))，在理論最優(yōu)值為0時(shí)，從表2可看出4種測試函數(shù)PSO算法尋優(yōu)精度分別為103、103、102、101，可以看出標(biāo)準(zhǔn)粒子群算法PSO(Particle swarm optimization algorithm)的尋優(yōu)精度跟理論值最優(yōu)值有很大的差距，說明標(biāo)準(zhǔn)粒子群算法容易發(fā)生早熟現(xiàn)象，即粒子群算法沒有找到全局最優(yōu)解就已經(jīng)停止迭代。為改善早熟現(xiàn)象，提高粒子群算法
計(jì)算機(jī)測量與控制 2021年5期2021-06-02
- 基于慣性權(quán)值非線性遞減的改進(jìn)粒子群算法*
優(yōu)精度?；鶞?zhǔn)測試函數(shù)的仿真實(shí)驗(yàn)結(jié)果表明，所提出的算法有效地克服了粒子群算法過早收斂和不收斂的問題，使粒子的尋優(yōu)能力和搜索精度得到顯著提升，相比于文獻(xiàn)[8]中所提出的改進(jìn)粒子群算法，本文所提出的算法優(yōu)化性能更佳。1 粒子群算法的基本原理1.1 基本粒子群算法粒子群優(yōu)化算法具有獨(dú)特的搜索機(jī)制，是受鳥群捕食行為的啟發(fā)而提出來的一種群體智能優(yōu)化算法。其關(guān)鍵在于每個(gè)粒子在解空間內(nèi)根據(jù)自己的記憶和從其他粒子獲取的社會(huì)信息來更新自己的位置，通過個(gè)體之間的競爭與合作，實(shí)現(xiàn)
- 一種基于鄰域改進(jìn)的分解多目標(biāo)進(jìn)化算法
二維ZDT1測試函數(shù)為例進(jìn)行說明，取固定鄰域20，迭代300次后，其MOEA/D算法結(jié)果如圖1所示，小圓圈表示Pareto最優(yōu)解的位置.可以看出，固定鄰域下的進(jìn)化結(jié)果，一般在中間區(qū)域最優(yōu)解較多，邊緣區(qū)域最優(yōu)解較稀少.若只采用固定鄰域，則使邊緣區(qū)域最優(yōu)解多樣性下降，導(dǎo)致Pareto最優(yōu)解不能均勻分布在PF上，不利于提升算法性能.3 改進(jìn)算法MOEA/D-INS3.1 算法改進(jìn)策略描述MOEA/D算法進(jìn)化過程中用到兩個(gè)不同的鄰域：選擇鄰域和替換鄰域[18].選
小型微型計(jì)算機(jī)系統(tǒng) 2020年12期2020-12-09
- 改進(jìn)慣性權(quán)重的粒子群優(yōu)化算法
能力，最后對(duì)測試函數(shù)進(jìn)行尋優(yōu)操作來驗(yàn)證改進(jìn)后粒子群優(yōu)化算法（XWPSO）的有效性.2 粒子群算法粒子群算法的主要思想是將需要尋優(yōu)的問題的解想象成一只鳥，稱為一個(gè)“粒子”，然后讓所有粒子在D 維的搜索空間進(jìn)行搜索，粒子位置的好壞由定義的適應(yīng)度函數(shù)評(píng)價(jià)，并且給每個(gè)粒子賦予記憶功能，能夠記憶粒子搜索過程中尋到的最佳位置，同時(shí)，各個(gè)粒子之間也可以進(jìn)行信息共享，通過粒子自身經(jīng)驗(yàn)和同伴的經(jīng)驗(yàn)來動(dòng)態(tài)調(diào)整粒子位置.粒子群算法中，粒子之間是相互合作，信息互通的，速度更新公式
河西學(xué)院學(xué)報(bào) 2020年5期2020-11-20
- 基于小批量梯度下降的布谷鳥搜索算法
實(shí)驗(yàn)選擇3類測試函數(shù)，包括5組單峰基準(zhǔn)測試函數(shù)、3組多峰基準(zhǔn)測試函數(shù)和3組固定維度多峰基準(zhǔn)測試函數(shù)［21-22］，見表1。實(shí)驗(yàn)中用CS算法和改進(jìn)后的MBGDCS算法對(duì)每個(gè)測試函數(shù)分別運(yùn)行20次，進(jìn)行200次迭代，取平均值表示搜索的結(jié)果精準(zhǔn)性，實(shí)驗(yàn)中參數(shù)默認(rèn)設(shè)置為：鳥窩規(guī)模n 為25，發(fā)現(xiàn)概率pa為0.25，梯度下降的批量batch_size為5。實(shí)驗(yàn)結(jié)果如表2～3和圖2～12所示。表1 標(biāo)準(zhǔn)測試函數(shù)表Tab.1 Standard test function
- 一類具有擬牛頓形式的共軛梯度法
1.所選取的測試函數(shù)來源于文獻(xiàn)[16]，并且算法在或者迭代次數(shù)超過9999次時(shí)終止，測試所得的實(shí)驗(yàn)數(shù)據(jù)將通過MATLAB進(jìn)行繪圖處理得到直觀的比較圖像.測試代碼通過Visual Studio 2012編寫，運(yùn)行環(huán)境為PC 2.7GHZ CPU，4G Memory，Windows 10操作系統(tǒng)，測試函數(shù)來源于Dolan and More[17]，他們在文中給出如下定義：P為測試函數(shù)集，S為算法集，nS和nP分別表示算法的個(gè)數(shù)和測試函數(shù)的個(gè)數(shù)，tp.s表示用某
廣東技術(shù)師范大學(xué)學(xué)報(bào) 2020年3期2020-08-02
- 改進(jìn)灰狼優(yōu)化算法的研究
于8 個(gè)標(biāo)準(zhǔn)測試函數(shù)并與基本灰狼優(yōu)化算法（GWO）及粒子群- 引力搜索算法（PSOGSA）進(jìn)行對(duì)比，實(shí)驗(yàn)仿真表明，GWO 算法收斂速度更快且尋優(yōu)精度更高。2 基本灰狼優(yōu)化算法2014 年澳大利亞學(xué)者M(jìn)irjalili 模仿狼群種群圍攻、捕獲獵物的過程提出了灰狼優(yōu)化算法[1]。同其他群智能優(yōu)化算法相似，灰狼優(yōu)化算法在設(shè)定上下邊界的基礎(chǔ)上進(jìn)行種群初始化。在每一次迭代的過程中，取得最優(yōu)解的三只狼的位置為α，β，δ。其余的狼的位置則設(shè)定為ω 跟隨著三只頭狼α，β，
科學(xué)技術(shù)創(chuàng)新 2020年16期2020-06-28
- 一種求解信賴域子問題的基爾方法
對(duì)如下給定的測試函數(shù)Function1和Function2其中：進(jìn)行數(shù)值實(shí)驗(yàn)，對(duì)所求得的相應(yīng)數(shù)值結(jié)果進(jìn)行比較，如下表：表1 測試函數(shù)1的數(shù)值結(jié)果Tab.1 The numerical results of test Function 1ΔFunction1庫塔三階qKL基爾折線qGLqKL-qGL0.5-18.157 329 13-18.175 210 040.017 880 911-33.923 275 59-33.976 098 540.0528 22
太原科技大學(xué)學(xué)報(bào) 2020年3期2020-06-18
- 基于兩階段參考點(diǎn)三層選擇的多目標(biāo)優(yōu)化算法
群個(gè)數(shù)．2 測試函數(shù)與評(píng)價(jià)指標(biāo)為驗(yàn)證TT-MOEA算法的性能, 選取T-MOEA(不含兩階段策略的本文算法)、NSGA-Ⅱ[12]、MOEA/D[13]、MOEA/D-TCH[14]、NSGA-Ⅲ[15]5類算法對(duì)測試函數(shù)DTLZ[16]與ZDT[17]進(jìn)行計(jì)算, 通過運(yùn)行時(shí)間與多種性能指標(biāo)來比較不同算法的計(jì)算效果．2.1 測試函數(shù)及參數(shù)設(shè)置ZDT1～ZDT3測試函數(shù)目標(biāo)之間相互沖突,即存在一增一減的關(guān)系．DTLZ2測試函數(shù)的目標(biāo)相關(guān)性如圖6所示．從圖6可
- 基于重構(gòu)鄰域策略的分解多目標(biāo)進(jìn)化算法
較為緩慢.以測試函數(shù)DTLZ3為例,從圖1可以看出,在二維目標(biāo)優(yōu)化問題上,在350代之前,MOEA/D-DU的GD指標(biāo)值隨代數(shù)變化曲線在MOEA/D的上方,說明MOEA/D-DU在算法收斂前期的收斂速度與MEOA/D相比較緩慢,在450代之后,MOEA/D-DU的GD值隨代數(shù)變化曲線在MOEA/D的下方,并逐漸趨于穩(wěn)定,即MOEA/D-DU的GD值更優(yōu),說明MOEA/D-DU求得的近似Pareto前沿能較好地逼近真實(shí)的Pareto前沿面,但是從曲線總體走向
小型微型計(jì)算機(jī)系統(tǒng) 2020年3期2020-05-12
- 基于天體運(yùn)動(dòng)更新機(jī)制的改進(jìn)樽海鞘群算法
個(gè)常用的算法測試函數(shù)驗(yàn)證改進(jìn)算法的有效性。1 樽海鞘群算法1.1 基本原理SSA的思想來源于樽海鞘聚集成一條鏈?zhǔn)降男袨?即前后個(gè)體之間相互影響。將樽海鞘群中的個(gè)體劃分為領(lǐng)導(dǎo)者和追隨者,其中領(lǐng)導(dǎo)者在鏈的前端,對(duì)周圍的環(huán)境有更好的判斷。SSA的具體運(yùn)算步驟如下[6]。1.1.1 種群的隨機(jī)初始化設(shè)種群總數(shù)為N,其中領(lǐng)導(dǎo)者個(gè)數(shù)為Nl,追隨者個(gè)數(shù)為Nf,解空間維數(shù)為D維,搜索空間的上限和下限分別為:ub=[ub1ub2ub3…ubD]和lb=[lb1lb2lb3…
上海電力大學(xué)學(xué)報(bào) 2020年2期2020-05-10
- 基于線性遞減權(quán)值更新的雞群算法
實(shí)驗(yàn)3.1 測試函數(shù)和實(shí)驗(yàn)設(shè)置為了驗(yàn)證改進(jìn)雞群算法(ACSO)的有效性，本文選取了6個(gè)標(biāo)準(zhǔn)的測試函數(shù)進(jìn)行仿真實(shí)驗(yàn)，并與基本的雞群算法(CSO)、粒子群算法(PSO)、差分算法(DE)進(jìn)行對(duì)比分析。測試函數(shù)的基本信息見表1，測試函數(shù)的參數(shù)設(shè)置見表2。表1 基本測試函數(shù)表2 各算法參數(shù)的設(shè)置通過這6個(gè)基準(zhǔn)函數(shù)的不同特點(diǎn)，可以充分考察改進(jìn)的雞群算法對(duì)不同類型問題的優(yōu)化性能。這幾個(gè)函數(shù)可以分為單峰函數(shù)(F1),多峰函數(shù)(F2～F6)，選取這些函數(shù)可以考察改進(jìn)算法的
智能計(jì)算機(jī)與應(yīng)用 2020年2期2020-04-29
- 基于博弈機(jī)制的多目標(biāo)粒子群優(yōu)化算法
置本文使用的測試函數(shù)是現(xiàn)今比較流行的測試函數(shù)系列，分別是ZDT系列、DTLZ系列和WFG系列測試函數(shù)，總共21個(gè)函數(shù)構(gòu)成，進(jìn)行28項(xiàng)測試。ZDT系列中，由于ZDT5是布爾函數(shù)，使用此測試函數(shù)需要二進(jìn)制編碼，所以就沒有用該測試函數(shù)，ZDT系列標(biāo)準(zhǔn)測試函數(shù)進(jìn)行兩目標(biāo)測試。DTLZ系列由DTLZ1至DTLZ7組成的一類標(biāo)準(zhǔn)測試函數(shù)，DTLZ系列標(biāo)準(zhǔn)測試函數(shù)分別進(jìn)行了兩目標(biāo)和三目標(biāo)測試，WFG系列標(biāo)準(zhǔn)測試函數(shù)進(jìn)行三目標(biāo)測試。對(duì)比算法分別是NSGA-II[10]、M
計(jì)算機(jī)工程與設(shè)計(jì) 2020年4期2020-04-23
- 基于粒子群算法策略改進(jìn)的飛鼠優(yōu)化算法
國際常用優(yōu)化測試函數(shù)作為測試集，包含4個(gè)單峰測試函數(shù)F1、F2、F3和F4，4個(gè)多峰函F5、F6、F7和F8以及4個(gè)固定維度下的復(fù)雜多峰函數(shù)F9、F10、F11和F12。單峰測試函數(shù)如表1所示。優(yōu)化算法對(duì)比方面，本文選取了原始的飛鼠搜索算法(SSA)、標(biāo)準(zhǔn)的粒子群算法(PSO)、離子運(yùn)動(dòng)算法(IMO)、蝗蟲優(yōu)化算法(GOA)和差分進(jìn)化算法(DE)進(jìn)行比較。2.1 算法參數(shù)設(shè)置為了體現(xiàn)公正性，每一種算法均在同一個(gè)實(shí)驗(yàn)環(huán)境中測試；本文所用編程軟件為MATLAB
- 珊瑚礁算法的改進(jìn)研究
并通過具體的測試函數(shù)證明了算法的優(yōu)越性.1 珊瑚礁算法珊瑚礁優(yōu)化算法是受到珊瑚蟲繁衍生存過程的啟發(fā)而提出的一種元啟發(fā)式算法.珊瑚礁優(yōu)化算法基本執(zhí)行過程如下[13]:①初始化:假設(shè)存在大小為M的珊瑚礁,即礁上存在M個(gè)節(jié)點(diǎn)空間供珊瑚蟲生存;開始時(shí),珊瑚礁上已有比例為ρ的空間被珊瑚蟲占據(jù),即礁上珊瑚蟲的個(gè)數(shù)為M×ρ.②外部有性繁殖和內(nèi)部有性繁殖:珊瑚蟲產(chǎn)生子代的方式分為兩種,即外部有性繁殖和內(nèi)部有性繁殖;其比例分別為ξ和1-ξ,即外部有性繁殖的珊瑚蟲個(gè)數(shù)為M×ρ
- 兩個(gè)求解非線性方程的六階迭代法
4).使用的測試函數(shù)如下：f1(x)=x5-2x-8,a=1.622 528 493 002 836.f2(x)=ex-10,a=2.302 585 092 994 046.f3(x)=cos(x)-x,a=0.739 085 133 215 161.f4(x)=x3+ex-x+sin(x),a=-0.809 586 035 891 489.各個(gè)測試函數(shù)的數(shù)值實(shí)驗(yàn)結(jié)果列于表1至表4.表中以NM表示牛頓迭代法，AN表示算術(shù)平均牛頓法，MH1表示迭代法(1)，
- 基于自適應(yīng)調(diào)整權(quán)重和搜索策略的鯨魚優(yōu)化算法
用13個(gè)基準(zhǔn)測試函數(shù)、5個(gè)大規(guī)模測試函數(shù)和5個(gè)固定維測試函數(shù)對(duì)該算法進(jìn)行仿真，結(jié)果表明，本文提出的AWOA在求解高維度目標(biāo)函數(shù)和較高精度的優(yōu)化問題時(shí)，表現(xiàn)出較強(qiáng)的尋優(yōu)能力.1 鯨魚優(yōu)化算法座頭鯨是一類群居動(dòng)物，由于它們只能捕食成群的小型魚蝦，因此進(jìn)化出一種獨(dú)特的覓食方式，即泡泡網(wǎng)覓食方式.根據(jù)座頭鯨這種獨(dú)特的狩獵行為，Seyedali等[7]于2016年模擬其群體行為方式，提出了鯨魚優(yōu)化算法，該算法主要分為兩部分，一部分為泡泡網(wǎng)覓食，另一部分為隨機(jī)搜索.1
- 一種新的結(jié)合獎(jiǎng)勵(lì)機(jī)制的ETLBO算法
C08中6個(gè)測試函數(shù)F1,F2,F3,F4,F5,F6[14].TLBO算法種群規(guī)模設(shè)為50,最大評(píng)估函數(shù)次數(shù)為240 000.可根據(jù)noef=2×NP×Iter,(10)noef=2×NP×Iter+de_noef(11)分別計(jì)算出TLBO和ETLBO算法的函數(shù)評(píng)估次數(shù).其中：noef表示函數(shù)評(píng)估次數(shù)；NP表示種群大小；Iter表示迭代次數(shù)；de_noef表示去掉重復(fù)的函數(shù)評(píng)估次數(shù).TLBO和ETLBO算法函數(shù)評(píng)估次數(shù)的計(jì)算只相差變異重復(fù)個(gè)體的函數(shù)評(píng)估次
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2019年6期2019-11-28
- 求解信賴域子問題的改進(jìn)變步長休恩算法
次數(shù),q表示測試函數(shù)的最優(yōu)解的函數(shù)值。對(duì)于測試函數(shù)Function1,數(shù)值實(shí)驗(yàn)結(jié)果[12]如表1和表2所示，當(dāng)信賴域半徑較小時(shí),本文提出的改進(jìn)的休恩三階算法要比原算法的計(jì)算速度快,迭代次數(shù)少,且在計(jì)算結(jié)果的精度上與之相近。對(duì)于測試函數(shù)Function1,當(dāng)信賴域半徑0.5≤Δ≤10時(shí),改進(jìn)的變步長休恩算法求得的信賴域子問題的最優(yōu)值要比原算法的好,當(dāng)Δ接近‖δnp‖2時(shí),兩種方法求得的結(jié)果一樣。對(duì)于測試函數(shù)Function2,數(shù)值實(shí)驗(yàn)結(jié)果[12]如表3和表4
太原科技大學(xué)學(xué)報(bào) 2019年6期2019-11-18
- 螢火蟲算法參數(shù)分析與優(yōu)化*
試驗(yàn)測試經(jīng)典測試函數(shù)[7-8](見表1)分析螢火蟲算法其他4個(gè)參數(shù)對(duì)算法性能的影響。表1 測試函數(shù)[7-8]算法參數(shù)的經(jīng)驗(yàn)設(shè)置見表2，在進(jìn)行單因素試驗(yàn)時(shí)固定三個(gè)參數(shù)，改變一個(gè)參數(shù)進(jìn)行仿真試驗(yàn)。試驗(yàn)環(huán)境為Windows 7，64位操作系統(tǒng)，Core i5-4210U處理器，8 GB內(nèi)存，MATLAB 7.11版本。為降低隨機(jī)誤差，每個(gè)測試函數(shù)每組參數(shù)組合分別獨(dú)立運(yùn)行20次。表2 算法參數(shù)經(jīng)驗(yàn)設(shè)置2.1 螢火蟲數(shù)量(n)對(duì)算法的影響根據(jù)經(jīng)驗(yàn)值，設(shè)置螢火蟲數(shù)量n
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2019年11期2019-11-12
- 一種改進(jìn)的多目標(biāo)正余弦優(yōu)化算法
在一系列標(biāo)準(zhǔn)測試函數(shù)上進(jìn)行仿真實(shí)驗(yàn)來驗(yàn)證算法的良好性能，第五節(jié)通過將IMSCA與其他多目標(biāo)算法在真實(shí)工程設(shè)計(jì)優(yōu)化問題上進(jìn)行對(duì)比分析，驗(yàn)證所提算法在解決實(shí)際問題中的性能.最后第六節(jié)總結(jié)全文.2 背景知識(shí)2.1 反向?qū)W習(xí)反向?qū)W習(xí)(opposition-based learning，OBL)[15]的出現(xiàn)為算法的搜索提供了一種新的思路，通過反向?qū)W習(xí)策略，算法在搜索最優(yōu)解的同時(shí)，還會(huì)對(duì)其相反方向的解進(jìn)行評(píng)價(jià)，從而增大最優(yōu)解的獲得概率，進(jìn)而提升算法收斂速度.其基礎(chǔ)概
小型微型計(jì)算機(jī)系統(tǒng) 2019年10期2019-11-11
- 可預(yù)測的差分?jǐn)_動(dòng)用戶軌跡隱私保護(hù)方法
由預(yù)測函數(shù)、測試函數(shù)和噪聲機(jī)制三部分構(gòu)成,如果預(yù)測函數(shù)生成的干擾位置通過測試函數(shù),則直接使用該干擾位置去請(qǐng)求服務(wù),否則使用噪聲機(jī)制向當(dāng)前真實(shí)位置添加噪聲,重新生成一個(gè)干擾位置去請(qǐng)求服務(wù).本文的組織結(jié)構(gòu)如下:第1節(jié)介紹軌跡隱私保護(hù)的背景;第2節(jié)介紹軌跡隱私保護(hù)的研究現(xiàn)狀;第3節(jié)描述可預(yù)測的差分?jǐn)_動(dòng)用戶軌跡隱私保護(hù)方法;第4節(jié)進(jìn)行實(shí)驗(yàn)以及實(shí)驗(yàn)結(jié)果分析;第5節(jié)對(duì)全文進(jìn)行總結(jié).3 可預(yù)測的差分?jǐn)_動(dòng)用戶軌跡隱私保護(hù)方法3.1 相關(guān)定義定義1.用戶軌跡T={(x1,y
小型微型計(jì)算機(jī)系統(tǒng) 2019年6期2019-06-06
- QK(p,q)空間到Bloch型空間上的Stevi-Sharma算子
∈D,分別取測試函數(shù)和類似于(11)式的證明，可分別證明和成立.由此(a)、(b)、(c)成立，則定理1的證明完成.(12)和記K={z∈D:|φ(z)|≤η} 直接計(jì)算可得‖Tψ1,ψ2,φfn‖Bμ(13)對(duì)于n∈N,取測試函數(shù)(14)另一方面, 由 (7)式和 (14)式我們有這就意味著進(jìn)而有即(15)分別取測試函數(shù)和用類似于(15)式證明方法，我們可以證明成立.我們略去詳細(xì)的證明過程. 定理2的證明完成.
- 具有自適應(yīng)行為的粒子群算法研究
果。3.1 測試函數(shù)與參數(shù)設(shè)定為了檢驗(yàn)AIW-PSO算法的性能，引入8組基準(zhǔn)測試函數(shù)進(jìn)行仿真實(shí)驗(yàn)，所采用的測試函數(shù)見表1。在表1中，f1至f4為單峰測試函數(shù)，f5至f8為多峰測試函數(shù)。f3的理論最優(yōu)位置為[1]n，f4的理論最優(yōu)位置為[-0.5]n，其余6組測試函數(shù)的理論最優(yōu)位置為[0]n，n表示優(yōu)化問題的維數(shù)，f1至f8的理論最優(yōu)值均為0。表1 基準(zhǔn)測試函數(shù)實(shí)驗(yàn)中設(shè)置PSO和AIW-PSO算法的學(xué)習(xí)因子c1=c2=2；BBO算法的突變概率Mu=0.005
統(tǒng)計(jì)與決策 2019年2期2019-03-05
- 基于函數(shù)動(dòng)態(tài)遞減因子的布谷鳥算法
用3個(gè)常用的測試函數(shù)對(duì)基本布谷鳥搜索算法和改進(jìn)后的布谷鳥搜索算法進(jìn)行對(duì)比實(shí)驗(yàn).設(shè)置鳥窩數(shù)量m=25,最大迭代次數(shù)為500,ICS算法和CS算法均獨(dú)立運(yùn)行100次,測試函數(shù)見表1.圖1～3為測試函數(shù)最優(yōu)值變化趨勢圖,表2為測試函數(shù)最優(yōu)解位置以及兩種算法的搜尋結(jié)果,表3為兩種算法搜索到的最優(yōu)值情況.表 1 測試函數(shù)圖 1 Sphere函數(shù)最優(yōu)值變化趨勢圖 圖 2 Beale函數(shù)最優(yōu)值變化趨勢圖 Fig.1 Diagram of the optimal valu
西安工程大學(xué)學(xué)報(bào) 2018年4期2018-09-17
- 改進(jìn)的差分演化算法及其在函數(shù)優(yōu)化中的應(yīng)用
國際上標(biāo)準(zhǔn)的測試函數(shù)進(jìn)行驗(yàn)證本算法的優(yōu)越性.1 問題的描述本文研究以最小化函數(shù)優(yōu)化為目標(biāo)，如公式1所示，其中S?RD,RD稱為搜索空間,D是變量維數(shù),f(x)為目標(biāo)函數(shù)，X是n維解向量X=[x1,x2,…,xn]T, 每個(gè)自變量xi滿足一定的約束條件，如公式2所示.最終的目標(biāo)為求解目標(biāo)函數(shù)的最小值作為最優(yōu)，記做min(f(x)).X=(x1,x2,…,xn)∈Rn，(1)Li≤xi≤Ui,i=1,2,…,n.(2)2 算法思路與框架流圖差分演化算法求解函數(shù)
許昌學(xué)院學(xué)報(bào) 2018年6期2018-07-24
- 一種基于EABC的新型搜索方法
分析5.1 測試函數(shù)集及實(shí)驗(yàn)參數(shù)設(shè)置為比較EABC算法與幾種對(duì)比算法的性能，本章從文獻(xiàn)中選取了11個(gè)D=30或D=60的測試函數(shù)，1個(gè)D=100或D=200的測試函數(shù)，2個(gè)D=10的測試函數(shù)，1個(gè)D=4的低維測試函數(shù)，1個(gè)D=24的測試函數(shù)和2個(gè)D=30的測試函數(shù)。對(duì)所有的測試函數(shù)，設(shè)置種群的規(guī)模為100（SN=50），limit=0.6*SN*D。為了能對(duì)算法結(jié)果進(jìn)行有效統(tǒng)計(jì)，每個(gè)函數(shù)獨(dú)立優(yōu)化30次，統(tǒng)計(jì)其平均最優(yōu)值（Mean）和標(biāo)準(zhǔn)方差（SD）在對(duì)不同
電子世界 2018年11期2018-06-19
- 采用動(dòng)態(tài)權(quán)重和概率擾動(dòng)策略改進(jìn)的灰狼優(yōu)化算法
。對(duì)多個(gè)基準(zhǔn)測試函數(shù)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，相對(duì)于GWO算法、混合GWO(HGWO)算法、引力搜索算法(GSA)和差分進(jìn)化(DE)算法，所提IGWO算法有效擺脫了局部收斂，在搜索精度、算法穩(wěn)定性以及收斂速度上具有明顯優(yōu)勢。元啟發(fā)式算法；灰狼優(yōu)化算法；函數(shù)優(yōu)化；權(quán)值因子；擾動(dòng)策略0 引言近20年來，元啟發(fā)式算法得到了迅速發(fā)展。它源自于自然現(xiàn)象的啟發(fā)，在解決復(fù)雜計(jì)算問題時(shí)提供了一種新的手段，典型的有遺傳算法(Genetic Algorithm, GA)[1
計(jì)算機(jī)應(yīng)用 2017年12期2018-01-08
- 具有收縮因子的自適應(yīng)鴿群算法用于函數(shù)優(yōu)化問題
自適應(yīng)策略；測試函數(shù)；群智能優(yōu)化算法中圖分類號(hào)：TP114 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）05-00-040 引 言元啟發(fā)式優(yōu)化技術(shù)非常流行，在過去二十年，它們中的一些算法如遺傳算法，蟻群算法和粒子群算法在計(jì)算機(jī)科學(xué)領(lǐng)域及其他科學(xué)領(lǐng)域非常有名[1]?；谌后w的群體智能算法已被廣泛接受，并成功應(yīng)用于求解優(yōu)化問題中。近年來，出現(xiàn)許多基于群體的群體智能算法，如人工蜂群算法[2]，人工魚群算法[3]和布谷鳥算法[4]等。一些生物啟發(fā)優(yōu)化算
物聯(lián)網(wǎng)技術(shù) 2017年5期2017-06-03
- 一種求解二次模型信賴域子問題的Admas4隱式算法
附錄中給定的測試函數(shù)1和測試函數(shù)2的信賴域子問題(1)，取h=0.1，選取不同的信賴域半徑△，然后將Admas4隱式算法利用MATLAB進(jìn)行了數(shù)值實(shí)驗(yàn)。并且用該算法求得的測試函數(shù)在近似最優(yōu)解的函數(shù)值與R-K4方法進(jìn)行比較，數(shù)值結(jié)果分別列在表1和表2中。表1 測試函數(shù)1的數(shù)值結(jié)果從表1和表2的數(shù)值結(jié)果可以看出，本論文所提出的Admas4隱式算法是有效且可行的。對(duì)于測試函數(shù)1和測試函數(shù)2，當(dāng)信賴域半徑△<‖B-1g‖2時(shí)，除了信賴域半徑在‖B-1g‖2附近的情
太原科技大學(xué)學(xué)報(bào) 2016年5期2016-11-14
- 幾類元啟發(fā)式優(yōu)化算法性能的比較研究*
取20個(gè)標(biāo)準(zhǔn)測試函數(shù)，統(tǒng)計(jì)4種元啟發(fā)式優(yōu)化算法的運(yùn)行結(jié)果.以算法運(yùn)行的精確度、穩(wěn)定性作為比較指標(biāo)分析算法的求解性能，提出了3種比較算法優(yōu)劣性的方法，總結(jié)了3種比較方法的優(yōu)缺點(diǎn).優(yōu)化 螢火蟲算法 布谷鳥算法 蝙蝠算法 和聲搜索算法1 引言元啟發(fā)式優(yōu)化算法［1］，又被稱作現(xiàn)代優(yōu)化算法或智能優(yōu)化算法，是一類通用啟發(fā)式策略［2］，用來指導(dǎo)傳統(tǒng)啟發(fā)式算法朝著可能含有高質(zhì)量解的搜索空間進(jìn)行搜索，是人類通過對(duì)自然界現(xiàn)象的模擬和生物智能的學(xué)習(xí)，提出的一類新型的搜索技術(shù).這
數(shù)學(xué)理論與應(yīng)用 2016年2期2016-10-20
- 帶勢函數(shù)的雙調(diào)和不等式組的整體解的不存在性
過選擇合適的測試函數(shù),利用Young不等式、H?lder不等式及Sobolev嵌入定理等,得到解的先驗(yàn)估計(jì),并應(yīng)用這一估計(jì)證明不等式組的整體解的不存在性.關(guān)鍵詞：雙調(diào)和; 測試函數(shù); 整體解1問題的提出研究不等式組(1)(3)文獻(xiàn)[1]給出了四階Schr?dinger不等式(4)的先驗(yàn)估計(jì).Brezis[2]研究了下列問題：令1而且,如果在RN上，幾乎處處有f≥0,則幾乎處處有u≥0.Quittner[3]研究了下列方程:Yarur[4]研究了下列方程:在
上海理工大學(xué)學(xué)報(bào) 2016年2期2016-06-02
- 約束二進(jìn)制二次規(guī)劃測試函數(shù)的一個(gè)構(gòu)造方法
進(jìn)制二次規(guī)劃測試函數(shù)的一個(gè)構(gòu)造方法雍龍泉(陜西理工學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院， 陜西 漢中 723000)[摘要]基于蓋爾圓定理, 給出了約束二進(jìn)制二次規(guī)劃測試函數(shù)的一個(gè)構(gòu)造方法: 對(duì)原問題, 通過線性變換, 得到一個(gè)新的不定二次規(guī)劃, 且該不定二次規(guī)劃恰好以給定初始點(diǎn)為最優(yōu)解; 進(jìn)而構(gòu)造出了一系列具有共同最優(yōu)解的約束二進(jìn)制二次規(guī)劃。[關(guān)鍵詞]二進(jìn)制二次規(guī)劃;測試函數(shù);半正定矩陣;蓋爾圓定理非線性整數(shù)規(guī)劃在經(jīng)濟(jì)、計(jì)算機(jī)科學(xué)、工程技術(shù)中有非常重要的應(yīng)用。 多
- 一種高效自學(xué)習(xí)性回溯搜索優(yōu)化算法
系數(shù)的算法在測試函數(shù)F1～F5上的收斂效果比較，可以看到新的變異尺度系數(shù)在多峰函數(shù)的測試中有較好的收斂效果。圖1 測試函數(shù)F1收斂速度對(duì)比圖2 測試函數(shù)F2收斂速度對(duì)比圖圖3 測試函數(shù)F3收斂速度對(duì)比圖4 測試函數(shù)F4收斂速度對(duì)比圖5 測試函數(shù)F5收斂速度對(duì)比2.2 BSA交叉策略的改進(jìn)實(shí)驗(yàn)表明，單獨(dú)使用交叉策略I或者交叉策略II，收斂速度比聯(lián)合交叉策略慢得多，聯(lián)合交叉策略對(duì)BSA良好的收斂效果有較大貢獻(xiàn)。而受到JADE［11］中交叉率產(chǎn)生方式的啟發(fā)，在聯(lián)
電子科技 2015年2期2015-12-20
- 面向真實(shí)世界的測試函數(shù)Ⅱ
無約束優(yōu)化的測試函數(shù)。這些函數(shù)有一個(gè)共同特點(diǎn)，就是全局最優(yōu)解是已知的。也就是說，讓算法去尋找一個(gè)已知具體方位的全局最優(yōu)解，這在現(xiàn)實(shí)世界中是荒唐的。如果某算法聲稱已找到了測試函數(shù)全局最優(yōu)解，別人如何判別它的真實(shí)性呢?要想得到正確的答案，只有重現(xiàn)算法程序并運(yùn)行。然而，重現(xiàn)別人的算法并不是一項(xiàng)輕松的工作。為了解決這一問題，本文構(gòu)造了面向真實(shí)世界的測試函數(shù)，它的全局最優(yōu)解有可能為零或從正向接近零，但全局最優(yōu)解坐標(biāo)卻是未知的。如果某算法找到了此類測試函數(shù)值為零的具體
江蘇高職教育 2014年2期2014-07-16
- 一種求解二次模型信賴域子問題的休恩算法
5，對(duì)給定的測試函數(shù)1和測試函數(shù)2的二次模型信賴域子問題，選取不同的信賴域半徑△，然后將休恩算法利用MATLAB進(jìn)行了實(shí)驗(yàn)。并且用該算法求得的相關(guān)數(shù)值結(jié)果與切線單折線法求得的相關(guān)數(shù)值結(jié)果進(jìn)行了比較。相關(guān)數(shù)據(jù)分別列在表1和表2中，其中△表示信賴域半徑，q表示測試函數(shù)的最優(yōu)解的函數(shù)值，TDL表示切線單折線法，HML表示休恩算法，qHML-qTDL表示使用休恩算法與切線單折線法所求得的測試函數(shù)的最優(yōu)解的函數(shù)值之差，該值越小，表明休恩算法越好。測試函數(shù)見附錄。從表
太原科技大學(xué)學(xué)報(bào) 2014年2期2014-06-13
- 一種改進(jìn)的群搜索優(yōu)化方法*
在23個(gè)基準(zhǔn)測試函數(shù)中，GSO方法取得了15個(gè)最佳結(jié)果。目前，GSO方法在工程領(lǐng)域已有較多的應(yīng)用，并在解決分布式電源配置［5］、平面框架結(jié)構(gòu)［6］、彈簧設(shè)計(jì)和壓力容器設(shè)計(jì)［7］等問題中也取得了很好的效果。為了進(jìn)一步提高GSO方法的性能，文獻(xiàn)［5～8］對(duì)其進(jìn)行了改進(jìn)，并且，這些改進(jìn)方法的性能在具體問題中或通過部分標(biāo)準(zhǔn)測試函數(shù)中進(jìn)行了驗(yàn)證。在GSO方法中，發(fā)現(xiàn)者的行為是影響收斂速度和精度最重要的因素。本文主要針對(duì)發(fā)現(xiàn)者的行為進(jìn)行了改進(jìn)。最大下降方向策略的加入，
傳感器與微系統(tǒng) 2012年9期2012-10-22
- 基于DSP和VC的網(wǎng)絡(luò)通信檢測系統(tǒng)的研究
)，利用音頻測試函數(shù)YinPinV(int flag)，根據(jù)A律轉(zhuǎn)線性函數(shù)alaw2linear()解碼出來的存放在expand_packet［］數(shù)組中的數(shù)據(jù)計(jì)算電壓幅值、調(diào)制速率等參數(shù)，這里，expand_packet［］是在 arp_broadcast()函數(shù)中不斷更新的。具體的DSP程序測試流程示意圖如圖2所示:3 軟件模塊測試函數(shù)說明主要對(duì) VC、dsp55x.c、cs8900a.c 三個(gè)源文件中包含的測試函數(shù)進(jìn)行相關(guān)的描述［4］，及主要函數(shù)的流程
山西電子技術(shù) 2012年3期2012-05-12
- PHP Unit自動(dòng)化單元測試技術(shù)研究
性。及要求被測試函數(shù)具備輸入輸出。（本測試方案未考慮無輸入輸出函數(shù)的測試）2）被測函數(shù)盡可能分情況說明輸入輸出。及期望輸入及輸出和非期望輸入對(duì)應(yīng)輸出。3）被測還是應(yīng)該有基本的函數(shù)說明，表明函數(shù)的功能[1]。2 單元測試管理1）對(duì)于某個(gè)系統(tǒng)，不同層的代碼放置于不同文件夾下。以talk為例，其有dataaccess層和logic層，那么其dataaccess層代碼放置于文件夾dataaccess之下。而單元測試文件的布局則和系統(tǒng)代碼布局一一對(duì)應(yīng)。對(duì)于某個(gè)文件a
電子設(shè)計(jì)工程 2012年23期2012-01-15
- 基于非支配排序遺傳算法的效果評(píng)價(jià)及程序測試*
應(yīng)用四個(gè)標(biāo)準(zhǔn)測試函數(shù)對(duì)英國Glasgow大學(xué)軟件工程師陳益提供的外掛工具箱(SGALAB)beta5008中NSGA程序進(jìn)行可靠性測試，為NSGA的實(shí)際應(yīng)用提供理論依據(jù)及可行的程序。NSGA方法原理非支配排序遺傳算法〔2〕(nondominated sorting genetic algorithm，NSGA)是由 Srinivas和Deb于1995年提出的，是一種基于Pareto排序的方法，其基本思路是對(duì)所有的個(gè)體按不同的層次分級(jí)，在執(zhí)行選擇算子之前，種
中國衛(wèi)生統(tǒng)計(jì) 2011年5期2011-03-11
- 改進(jìn)非劣分類遺傳算法多目標(biāo)優(yōu)化效果評(píng)價(jià)及程序測試*
本文旨在應(yīng)用測試函數(shù)對(duì)NSGA-Ⅱ的效果進(jìn)行評(píng)價(jià)，對(duì)課題組成員英國Glasgow大學(xué)軟件工程師陳益利用Matlab2009a編寫的外掛SGALAB工具箱beta5008進(jìn)行可靠性測試，為NSGA-Ⅱ的實(shí)際應(yīng)用提供理論依據(jù)及可行的程序。NSGA-Ⅱ方法原理改進(jìn)非劣分類遺傳算法(NSGA-Ⅱ)是在非劣分類遺傳算法(nondominated sorting genetic algorithm，NSGA)的基礎(chǔ)上提出來的，它針對(duì)NSGA的三個(gè)弊端(計(jì)算復(fù)雜度較高，
中國衛(wèi)生統(tǒng)計(jì) 2011年6期2011-03-11