×

关于基于种群的全局优化算法的收敛性。 (英语) Zbl 1066.90086号

摘要:在全局优化中,一种典型的基于种群的随机搜索方法对可行区域中的一组样本点进行搜索。在本文中,我们研究了最近提出的这类方法。该方法利用吸引-再脉冲机制将样本点移向最优,因此称为类电磁方法(EM)。计算结果表明EM在实践中是稳健的,因此我们进一步研究了理论结构。在回顾了原始方法之后,我们对收敛性证明进行了一些必要的修改。我们证明了在极限条件下,改进方法以概率1收敛到全局最优解的附近。

MSC公司:

90C26型 非凸规划,全局优化
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Baba,N.(1981),约束优化问题随机优化方法的收敛性,优化理论与应用杂志33,451-461·兹比尔0453.90069 ·doi:10.1007/BF00935752
[2] Birbil,О。I.和Fang,S.-C.(2002),用于全局优化的类电磁机制,全局优化杂志,25(3),263-282·Zbl 1047.90045号 ·doi:10.1023/A:1022452626305
[3] Birbil,О。I.(2002),《随机全局优化技术》,北卡罗来纳州立大学博士论文,北卡罗莱纳州罗利。
[4] Dekkers,A.和Aarts,E.(1991),《全局优化和模拟退火》,《数学规划》50367-393·Zbl 0753.90060号 ·doi:10.1007/BF01594945
[5] Fogel,D.B.(1994),遗传算法和进化规划的渐近收敛特性,控制论与系统25(3),389-407·Zbl 0811.68082号 ·doi:10.1080/01969729408902335
[6] Hart,W.E.(1994),局部搜索的自适应全局优化,加州大学圣地亚哥分校博士论文。
[7] Huyer,W.和Neumaier,A.(1999),通过多级坐标搜索进行全局优化,《全局优化杂志》14,331-355·Zbl 0956.90045号 ·doi:10.1023/A:1008382309369
[8] Ingber,L.(1994),《模拟退火:实践与理论》,《数学计算建模杂志》18,29-57·Zbl 0819.90080号 ·doi:10.1016/0895-7177(93)90204-C
[9] Kan,A.H.G.R.和Timmer,G.T.(1987),随机全局优化方法第二部分:多级方法,数学规划39,57-78·Zbl 0634.90067号 ·doi:10.1007/BF02592071
[10] Law,A.M.和Kelton,W.D.(2000),《模拟建模与分析》,第3版,McGraw-Hill,Inc.,纽约·Zbl 0489.65007号
[11] Michalewic,Z.(1994),《遗传算法+数据结构=进化程序》,柏林斯普林格出版社。
[12] Moré,J.J.和Wu,Z.(1995),《大规模分子优化的全局平滑和延续》,伊利诺伊州阿贡国家实验室:预印本MCS-P539-1095。
[13] Pintér,J.(1984),随机优化过程的收敛性,优化15,405-427·Zbl 0568.62076号 ·网址:10.1080/02331938408842957
[14] Rudolph,G.(1996),一般搜索空间中进化算法的收敛性。摘自:进化计算国际会议,第50-54页。
[15] Schoen,F.(1989),一类用于全局优化的测试函数。摘自:《第三届遗传算法国际会议论文集》,第51-60页。
[16] Taylor,H.M.和Karlin,S.M.(1998),《随机建模导论》,学术出版社,加利福尼亚州圣地亚哥·Zbl 0946.60002号
[17] Törn,A.、Ali,M.M.和Viitanen,S.(1999),《随机全局优化:问题类和求解技术》,《全局优化杂志》14,437-447·Zbl 0952.90030号 ·doi:10.1023/A:1008395408187
[18] Wood,G.R.(1991),多维二分法和全局优化,计算机与数学应用21,161-172·Zbl 0735.65041号 ·doi:10.1016/0898-1221(91)90170-9
[19] Yakowitz,S.J.和Fisher,L.(1973),《关于未知函数最大值的顺序搜索》,《数学分析与应用杂志》41,234-259·兹比尔0265.62030 ·doi:10.1016/0022-247X(73)90198-4
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。