基于抽象凸下界估计的群体全局优化算法
CSTR:
作者:
作者单位:

浙江工业大学信息工程学院,杭州310023.

作者简介:

张贵军

通讯作者:

中图分类号:

TP391

基金项目:

国家自然科学基金项目(61075062, 61379020);浙江省自然科学基金项目(LY13F030008);浙江省科技厅公益项目(2014C33088);浙江省重中之重学科开放基金项目(20120811);杭州市产学研合作基金项目(20131631E31).


Population-based global optimization algorithm using abstract convex underestimate
Author:
Affiliation:

College of Information Engineering,Zhejiang University of Technology,Hangzhou 310023,China.

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对确定性全局优化算法极高的计算复杂度以及随机性全局优化算法可靠性较低的问题, 在群体进化算法框架下, 结合抽象凸理论, 提出一种基于抽象凸下界估计的群体全局优化算法. 首先, 对整个初始群体构建抽象凸下界估计松弛模型; 然后, 利用不断收紧的下界估计信息安全排除部分无效区域, 并指导种群更新, 同时借助支撑面的下降方向作局部增强; 最后, 根据进化信息更新支撑面. 数值实验结果表明了所提出算法的有效性.

    Abstract:

    To solve the problem of high computation complexity in deterministic global optimization algorithms and low success ratio in stochastic global optimization algorithms, a population-based global optimization algorithm using abstract convex underestimate is proposed. The proposed algorithm combines the abstract convexity theory within the framework of population evolutionary algorithms. The first step of the algorithm is to construct the abstract convex underestimate relaxed model for the whole initial population. Then, relevant tightening underestimate information is used to safely eliminate invalid regions and to guide the population updating. Additionally, descent directions of supporting hyperplanes are employed for local enhancement. Finally, evolutionary information helps to update supporting hyperplanes. Numerical experiment results show the effectiveness of the proposed algorithm.

    参考文献
    相似文献
    引证文献
引用本文

周晓根 张贵军.基于抽象凸下界估计的群体全局优化算法[J].控制与决策,2015,30(6):1116-1120

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2014-04-02
  • 最后修改日期:2014-08-17
  • 录用日期:
  • 在线发布日期: 2015-06-20
  • 出版日期:
文章二维码