论文部分内容阅读
全局优化问题渗透于人们生活的各个方面，根据有无约束条件分为带有约束的全局优化问题与无约束全局优化问题，本文对连续型无约束全局优化问题进行讨论。目前求解全局优化问题的方法大致分为两大类。一类是以填充函数法，共轭梯度法为代表的确定性算法，另一类是遗传算法等为代表的随机性算法。当所要求解的问题中存在大量局部最优解时，这两类方法存在各自不同的缺陷。填充函数法的缺陷是只能从当前局部最优解跳到附近更好的一个局部最优解，不能实现算法的并行性，算法计算效率比较低。而已知平滑函数法可以忽略掉所有不优于目前局部最优解的点，有利于缩小搜索范围，加快寻优速度，但搜索过程中易陷入平稳区域。本文在填充函数的基础上，引入平滑函数，取长补短，可使其更加容易跳出局部最优解，而且可以有效加快寻优速度，提出了一个结合平滑函数的新的填充函数法NewFilledFunctionAlgorithm(NFFA)，经数值实验说明此算法具有寻优高效性与数值稳定性。遗传算法在进化后期收敛速度较慢。在现有遗传算法的基础上，考虑到遗传操作中重要参数对搜索范围和搜索效率的影响，设计了一种可以随进化代数自适应调节的交叉，变异算子，提出了一种新的自适应遗传算法NewAdaptiveGeneticAlgorithm(NAGA)。数值实验表明新算法有良好的收敛性和稳定性。另外，本文在NAGA算法的基础上引入平滑函数提出了一种基于平滑函数的遗传算法AnEvolutionaryAlgorithmBasedonSmoothingFunction(EABSF)，数值试验表明算法提高了遗传算法的全局寻优能力和求解效率。