测试函数
- 融入重心反向学习和单纯形搜索的粒子群优化算法
on4.2 测试函数本文采用常见的基准测试函数对算法的寻优能力进行评价。其中,f1～f4为常用单峰函数,分别为Sphere、Rosenbrock、Duadric和Powersum函数,一般用来检验算法的收敛速度和求解精度;f5～f8为常用多峰函数,分别为Griewank、Rastrigin、Schwefel和Acley函数,用于评估算法跳出局部极值的全局搜索能力;f9～f10为CEC’2013中的偏移单峰函数,f11和f12为CEC’2013中的偏移多峰函
计算机工程与科学 2023年9期2023-09-18
- 基于LMS-SPWVD的非平稳振动信号时频分析方法
平稳含噪信号测试函数进行处理,获取最优信号时域波形;然后采用SPWVD对其进行分析,构建时频分布模型;最后将分析结果与SPWVD、LMS-STFT、LMS-WVD比较,验证该方法的有效性。1 基本理论1.1 LMSLMS算法因其结构简单、计算量小、稳定性好的特点,被广泛用于信号处理、系统辨识及目标跟踪等领域[15-17]。LMS算法的基本原理结构图如图1所示。其中x(n)为含噪输入信号,y(n)为滤波输出信号,d(n)为期望信号,e(n)为期望信号与滤波信
太原科技大学学报 2023年4期2023-07-21
- 改进交叉算子的自适应人工蜂群黏菌算法
采用8个基准测试函数以及部分CEC2014测试函数对改进算法进行寻优测试，并结合Wilcoxon值和统计检测验证了改进算法的有效性.2 黏菌优化算法SMA是根据黏菌个体的振荡捕食行为提出的一种智能优化算法，自然界中的黏菌可以根据空气中食物气味的浓度来接近食物，当黏菌静脉接触的食物浓度越高，生物振荡越强，黏菌静脉宽度增大，该区域聚集更多黏菌；当该区域食物浓度低时，黏菌转向探索其他区域.黏菌接近食物的数学模型描述如公式(1)所示：(1)式中，t为当前迭代次数，
小型微型计算机系统 2023年2期2023-02-17
- 改进搜索机制的单纯形法引导麻雀搜索算法*
EC2014测试函数的仿真实验，验证了本文改进算法的有效性。2 麻雀搜索算法SSA的灵感来源于自然界中麻雀种群的捕食和侦察预警行为。一个麻雀种群中存在发现者、加入者和侦察者3种个体。发现者在搜索空间中拥有较好的位置并带领其它发现者觅食。侦察者随机产生，负责侦察预警。算法起源于一个由n只麻雀组成的种群X，X由式(1)所示的矩阵所示：(1)其中，D表示问题维度，n表示种群数量,X中每一行表示一只麻雀的位置向量。在一个麻雀种群中，发现者通常有很高的能量储备，能为
计算机工程与科学 2022年12期2022-12-22
- 基于鲸鱼围捕和驱赶策略的改进粒子群算法
性能。多峰值测试函数为式中，x0——第d维度的x值。单峰值测试函数为固定维多峰值测试函数为f1至f4为高维多峰函数，高维多峰函数的维度均为30，理论最优解除f3外均为0；f5至f10均为单峰函数，单峰函数的维度均为30，理论最优解均为0；f11和f12为固定维多峰函数，其维度分别为2和4，理论最优解分别为1和-10.536 3。文中将所有测试算法的规模都设置为20，迭代次数设置为1 000，分别运行30次，取测试结果的平均值和均方差作为评估指标。5个算法对
黑龙江科技大学学报 2022年4期2022-08-30
- 使用高斯分布估计策略的改进樽海鞘群算法
EC2017测试函数,并与其他算法进行对比,验证了本文提出的改进策略的有效性和改进算法的优越性。1 原始SSA樽海鞘群体在进行觅食时通常分为两个部分:领导者和追随者。领导者位于链的前端,负责寻找食物源进行引导,追随者则跟随先前的个体,群体通过相互协作找到食物源,具体数学模型介绍如下。同其他群智能优化算法类似,初始化阶段尽可能均匀分布在搜索空间,随机初始化位置公式为(1)=·(-)+(1)式中:为服从0到1均匀分布的随机向量;和分别表示搜索空间的上下界。樽海
系统工程与电子技术 2022年7期2022-06-25
- 融合振荡禁忌搜索的自适应均衡优化算法
过10个基准测试函数及其Wilcoxon秩和检测和部分CEC2014测试函数的仿真实验结果验证了CfOEO算法的优越性。1 EO算法介绍EO算法来源于一个描述容器内进出物质质量平衡的一阶常微分方程，方程描述了容器内质量随时间变化的规律，其数学模型如式（1）所示：式中，V表示容积；C表示浓度；Q为单位时间内进出的容量流率；Ceq为平衡状态下的浓度；G表示质量生成速率。分析式（1）可知，平衡体系中质量随时间的变化等于进入系统的质量加上系统内部产生的质量减去离开
计算机工程与应用 2022年10期2022-05-19
- 基于平均位置学习的改进粒子群算法研究
EC2017测试函数中的单峰和多峰共8个测试函数进行函数优化的对比实验。其中，f4和f5为单峰函数，f1、f2、f3、f6、f7和f8为多峰函数，它们分别用于检验不同算法的搜索速度、寻优能力和全局搜索能力。具体测试函数见表1。表1 本文选用的8个测试函数为了增加这些检测函数的优化难度，将部分函数都进行旋转，用“*”表示对应测试函数进行旋转 。选择4个不同算法与本文提出的MLFDR相比较，4个不同算法分别是：PSO[1]、FDR[8]、wFIPS[14]和U
重庆工商大学学报（自然科学版） 2022年3期2022-05-18
- 动态罚函数法求解约束优化问题
CO在大多数测试函数上性能优于其他比较算法。1 ε 约束法ε约束法是Takahama和Sakai提出的一种具有代表性的约束处理技术，对于任意两个个体xi和xj，满足以下任一条件，xi优于xj：其中，这里，ε0是初始阈值，t和T分别是种群的当前迭代次数和最大迭代次数，λ和p是两个参数，ε随迭代次数的增加而减小。2 差分进化算法1997年Storn和Price提出差分进化算法（differential evolution，DE）[11]，其具有结构简单、易于
计算机工程与应用 2022年4期2022-03-02
- 解信赖域子问题的多折线算法
数值试验采用测试函数1与测试函数2对多折线算法进行数值试验[15-16]，同时与DSD算法[14]的数值结果进行比较见表1与表2，表中的Δ为信赖域半径，表中的qDSD-q本文算法指本文的多折线算法与DSD算法的最优值差。表1 测试函数1数值结果比较表表2 测试函数2数值结果比较表测试函数1：s.t.‖δ‖2≤Δ测试函数2：s.t.‖δ‖2≤Δ由表1与表2的数值结果比较可得出：本文构造的多折线算法无论对测试函数1还是测试函数2当信赖域半径的取值小于10.2时
太原科技大学学报 2022年1期2022-02-24
- 一种求解信赖域子问题的多割线折线算法
文末附录中的测试函数，令多割线折线算法中的步长h=0.1，文献[7]中的欧拉切线算法步长中的参数k=8，然后进行数值实验，把多割线折线算法求解的测试函数在最优解处的函数值分别与文献[1]中的切线单折线法和文献[7]中的分段切线算法求解的测试函数在最优解处的函数值进行比较,并对数值实验结果进行了分析.数值实验结果分别列在表1和表2中,其中Δ表示信赖域半径，fTDL表示切线单折线法求解的测试函数在最优解处的函数值，fSTA表示分段切线算法求解的测试函数在最优解
宁夏师范学院学报 2022年1期2022-02-22
- 一种基于精英选择和反向学习的分布估计算法
chmark测试函数的仿真来实现，与之对比的算法选择性能比较好的EE-EDA算法和基本经典的EDA算法。2 基本分布估计算法分布估计算法主要采用统计方法构建优秀个体的概率模型，该概率模型能够反映变量之间的关系，对该概率模型采样以此产生新种群，不断迭代进化，最终实现搜索空间内的寻优。其中的关键步骤主要如下[25]：1) 初始化设置种群规模PS，最大进化代数Gmax，搜索空间维数D。初始种群通过在搜索空间范围内通过均匀分布随机产生pop(xi)0=ai+(bi
计算机仿真 2021年1期2021-11-18
- 基于自适应选择的多策略粒子群算法
分析4.1 测试函数为了测试基于自适应选择的多策略粒子群算法的性能，本次试验采用8个标准测试函数，可将其分为三组。1)第一组为4个标准测试函数，其中包括：2个单峰函数(f1，f2)2个多峰函数(f3，f4)2)第二组为病态条件下的标准测试函数，其是在标准测试函数的基础上加入噪声、平移和旋转的操作，从而提高测试函数的复杂。其中，平移函数为Shifted Schwefeil 1.2函数，具体可以表示为：o为平移量，也是全局最优的解;fbias为函数值偏移量，此
计算机仿真 2021年3期2021-11-17
- 基于醉汉漫步和反向学习的灰狼优化算法*
出了更复杂的测试函数，如CEC(Congress on Evolutionary Computation)2013、CEC2014等。以上学者所提出的改进算法无论在全局收敛性还是求解精度方面都待提高，同时算法寻优只针对标准测试函数，对复杂测试函数效果不佳。灰狼优化GWO(Grey Wolf Optimizer)算法是Mirjalili等[8]在2014 年提出的一种群体智能优化算法。GWO概念清晰，具有结构简单、计算时间复杂度低、易于实现和局部寻优能力强等
计算机工程与科学 2021年9期2021-09-23
- 混沌精英哈里斯鹰优化算法
用20个基准测试函数进行测试。基准测试函数包括7个单峰测试函数、5个多峰测试函数和8个固定维度的多峰函数。F1～F7只有1个全局最优值，常用于评估算法的开发能力；F8～F20则可以评估算法的探索能力和局部最优规避能力。基准测试函数如表1所示。3.1 实验参数设置为了充分验证CEHHO算法的有效性与优越性，选择WOA［2］、GWO［6］、PSO（Particle Swarm Optimization）［17］、BBO（Biogeography-Based O
计算机应用 2021年8期2021-09-09
- 考虑整体趋势的最佳子集Kriging模型
量。3.1 测试函数1测试函数1来源于文献[13]，有：(7)图1为测试函数1的真实响应值的等高线图，图2为本文方法给出的响应值等高线图。对比图1、图2可知，IKM的响应值与真实函数的响应值总体趋势吻合较好。图1 测试函数1真实响应值等高线图图2 基于IKM的测试函数1响应值等高线图趋势函数计算结果见表1，IKM与其他模型的总样本数及对比见表2。通过表1可知，当代理模型整体趋势函数阶数等于2时，趋势拟合程度最高。由表2可知，本文算法需要12个初始样本和3个
兵器装备工程学报 2021年7期2021-08-04
- 基于等级制度和布朗运动的混沌麻雀搜索算法
算法在12种测试函数中进行比较，测试函数如表2所示。为公平比较，在相同实验平台上，设置种群数为50，最大迭代数为300，算法参数与原文献保持一致。所有算法均使用MATLAB R2018b编程，计算机操作系统为Windows10，处理器为AMD R7 4700 U 16 GB。表3为各算法独立运行30次的统计结果。表2 测试函数表3 11种混沌映射组合算法计算平均值比较从表3可以得知，对于F1、F2，有5种映射结合算法优于SSA算法；对于F3、F8，有4种映
空军工程大学学报 2021年3期2021-07-24
- 目标空间映射策略的高维多目标粒子群优化算法
对于一个m维测试函数，通过式(11)对其所有的目标维度的变化率进行计算，当所有的变化率都小于0.005时，算法陷入局部 最优。2.4 MOPSO-OSM流程MOPSO-OSM算法具体流程如下：1)算法初始化；2)判断是否满足停止条件，若条件满足，算法停止迭代，否则转到3)；3)判断种群是否陷入局部最优，执行反向学习策略；否则，直接转到4)；4)利用式(1)和(2)更新个体的速度和位置；5)计算个体的适应度值；6)对个体当前适应度值和前代适应度值进行比较来更
智能系统学报 2021年2期2021-07-05
- 改进收敛因子和变异策略的灰狼优化算法
hmark 测试函数进行仿真实验对比，表1 给出了16 个函数的相关信息。其中f1～f9是单峰优化函数，f10～f16是多峰优化函数。表1 测试函数从两个不同的方面设置了对比实验：1）比较CMGWO 与RMDE［5］，GWO［1］和WOA［6］在16 个测试函数上的收敛精度收敛速度；2）比较CMGWO 与NGWO［3］、PSO_GWO［7］、mGWO［8］、EGWO［9］和LGWO［4］在8 个测试函数上的收敛精度。3.1 实验参数设置各算法的参数具体设置
佛山科学技术学院学报（自然科学版） 2021年3期2021-06-15
- 永磁同步电机的自抗扰控制器参数自整定
)对表1中的测试函数f1、f2、f3、f4进行寻优时(其中f1、f2为单峰函数，f3、f4为多峰函数)，在理论最优值为0时，从表2可看出4种测试函数PSO算法寻优精度分别为103、103、102、101，可以看出标准粒子群算法PSO(Particle swarm optimization algorithm)的寻优精度跟理论值最优值有很大的差距，说明标准粒子群算法容易发生早熟现象，即粒子群算法没有找到全局最优解就已经停止迭代。为改善早熟现象，提高粒子群算法
计算机测量与控制 2021年5期2021-06-02
- 基于惯性权值非线性递减的改进粒子群算法*
优精度。基准测试函数的仿真实验结果表明，所提出的算法有效地克服了粒子群算法过早收敛和不收敛的问题，使粒子的寻优能力和搜索精度得到显著提升，相比于文献[8]中所提出的改进粒子群算法，本文所提出的算法优化性能更佳。1 粒子群算法的基本原理1.1 基本粒子群算法粒子群优化算法具有独特的搜索机制，是受鸟群捕食行为的启发而提出来的一种群体智能优化算法。其关键在于每个粒子在解空间内根据自己的记忆和从其他粒子获取的社会信息来更新自己的位置，通过个体之间的竞争与合作，实现
重庆工商大学学报（自然科学版） 2021年2期2021-04-13
- 一种基于邻域改进的分解多目标进化算法
二维ZDT1测试函数为例进行说明，取固定邻域20，迭代300次后，其MOEA/D算法结果如图1所示，小圆圈表示Pareto最优解的位置.可以看出，固定邻域下的进化结果，一般在中间区域最优解较多，边缘区域最优解较稀少.若只采用固定邻域，则使边缘区域最优解多样性下降，导致Pareto最优解不能均匀分布在PF上，不利于提升算法性能.3 改进算法MOEA/D-INS3.1 算法改进策略描述MOEA/D算法进化过程中用到两个不同的邻域：选择邻域和替换邻域[18].选
小型微型计算机系统 2020年12期2020-12-09
- 改进惯性权重的粒子群优化算法
能力，最后对测试函数进行寻优操作来验证改进后粒子群优化算法（XWPSO）的有效性.2 粒子群算法粒子群算法的主要思想是将需要寻优的问题的解想象成一只鸟，称为一个“粒子”，然后让所有粒子在D 维的搜索空间进行搜索，粒子位置的好坏由定义的适应度函数评价，并且给每个粒子赋予记忆功能，能够记忆粒子搜索过程中寻到的最佳位置，同时，各个粒子之间也可以进行信息共享，通过粒子自身经验和同伴的经验来动态调整粒子位置.粒子群算法中，粒子之间是相互合作，信息互通的，速度更新公式
河西学院学报 2020年5期2020-11-20
- 基于小批量梯度下降的布谷鸟搜索算法
实验选择3类测试函数，包括5组单峰基准测试函数、3组多峰基准测试函数和3组固定维度多峰基准测试函数［21-22］，见表1。实验中用CS算法和改进后的MBGDCS算法对每个测试函数分别运行20次，进行200次迭代，取平均值表示搜索的结果精准性，实验中参数默认设置为：鸟窝规模n 为25，发现概率pa为0.25，梯度下降的批量batch_size为5。实验结果如表2～3和图2～12所示。表1 标准测试函数表Tab.1 Standard test function
山东科技大学学报(自然科学版) 2020年5期2020-09-24
- 一类具有拟牛顿形式的共轭梯度法
1.所选取的测试函数来源于文献[16]，并且算法在或者迭代次数超过9999次时终止，测试所得的实验数据将通过MATLAB进行绘图处理得到直观的比较图像.测试代码通过Visual Studio 2012编写，运行环境为PC 2.7GHZ CPU，4G Memory，Windows 10操作系统，测试函数来源于Dolan and More[17]，他们在文中给出如下定义：P为测试函数集，S为算法集，nS和nP分别表示算法的个数和测试函数的个数，tp.s表示用某
广东技术师范大学学报 2020年3期2020-08-02
- 改进灰狼优化算法的研究
于8 个标准测试函数并与基本灰狼优化算法（GWO）及粒子群- 引力搜索算法（PSOGSA）进行对比，实验仿真表明，GWO 算法收敛速度更快且寻优精度更高。2 基本灰狼优化算法2014 年澳大利亚学者Mirjalili 模仿狼群种群围攻、捕获猎物的过程提出了灰狼优化算法[1]。同其他群智能优化算法相似，灰狼优化算法在设定上下边界的基础上进行种群初始化。在每一次迭代的过程中，取得最优解的三只狼的位置为α，β，δ。其余的狼的位置则设定为ω 跟随着三只头狼α，β，
科学技术创新 2020年16期2020-06-28
- 一种求解信赖域子问题的基尔方法
对如下给定的测试函数Function1和Function2其中：进行数值实验，对所求得的相应数值结果进行比较，如下表：表1 测试函数1的数值结果Tab.1 The numerical results of test Function 1ΔFunction1库塔三阶qKL基尔折线qGLqKL-qGL0.5-18.157 329 13-18.175 210 040.017 880 911-33.923 275 59-33.976 098 540.0528 22
太原科技大学学报 2020年3期2020-06-18
- 基于两阶段参考点三层选择的多目标优化算法
群个数．2 测试函数与评价指标为验证TT-MOEA算法的性能, 选取T-MOEA(不含两阶段策略的本文算法)、NSGA-Ⅱ[12]、MOEA/D[13]、MOEA/D-TCH[14]、NSGA-Ⅲ[15]5类算法对测试函数DTLZ[16]与ZDT[17]进行计算, 通过运行时间与多种性能指标来比较不同算法的计算效果．2.1 测试函数及参数设置ZDT1～ZDT3测试函数目标之间相互冲突,即存在一增一减的关系．DTLZ2测试函数的目标相关性如图6所示．从图6可
扬州大学学报（自然科学版） 2020年1期2020-05-25
- 基于重构邻域策略的分解多目标进化算法
较为缓慢.以测试函数DTLZ3为例,从图1可以看出,在二维目标优化问题上,在350代之前,MOEA/D-DU的GD指标值随代数变化曲线在MOEA/D的上方,说明MOEA/D-DU在算法收敛前期的收敛速度与MEOA/D相比较缓慢,在450代之后,MOEA/D-DU的GD值随代数变化曲线在MOEA/D的下方,并逐渐趋于稳定,即MOEA/D-DU的GD值更优,说明MOEA/D-DU求得的近似Pareto前沿能较好地逼近真实的Pareto前沿面,但是从曲线总体走向
小型微型计算机系统 2020年3期2020-05-12
- 基于天体运动更新机制的改进樽海鞘群算法
个常用的算法测试函数验证改进算法的有效性。1 樽海鞘群算法1.1 基本原理SSA的思想来源于樽海鞘聚集成一条链式的行为,即前后个体之间相互影响。将樽海鞘群中的个体划分为领导者和追随者,其中领导者在链的前端,对周围的环境有更好的判断。SSA的具体运算步骤如下[6]。1.1.1 种群的随机初始化设种群总数为N,其中领导者个数为Nl,追随者个数为Nf,解空间维数为D维,搜索空间的上限和下限分别为:ub=[ub1ub2ub3…ubD]和lb=[lb1lb2lb3…
上海电力大学学报 2020年2期2020-05-10
- 基于线性递减权值更新的鸡群算法
实验3.1 测试函数和实验设置为了验证改进鸡群算法(ACSO)的有效性，本文选取了6个标准的测试函数进行仿真实验，并与基本的鸡群算法(CSO)、粒子群算法(PSO)、差分算法(DE)进行对比分析。测试函数的基本信息见表1，测试函数的参数设置见表2。表1 基本测试函数表2 各算法参数的设置通过这6个基准函数的不同特点，可以充分考察改进的鸡群算法对不同类型问题的优化性能。这几个函数可以分为单峰函数(F1),多峰函数(F2～F6)，选取这些函数可以考察改进算法的
智能计算机与应用 2020年2期2020-04-29
- 基于博弈机制的多目标粒子群优化算法
置本文使用的测试函数是现今比较流行的测试函数系列，分别是ZDT系列、DTLZ系列和WFG系列测试函数，总共21个函数构成，进行28项测试。ZDT系列中，由于ZDT5是布尔函数，使用此测试函数需要二进制编码，所以就没有用该测试函数，ZDT系列标准测试函数进行两目标测试。DTLZ系列由DTLZ1至DTLZ7组成的一类标准测试函数，DTLZ系列标准测试函数分别进行了两目标和三目标测试，WFG系列标准测试函数进行三目标测试。对比算法分别是NSGA-II[10]、M
计算机工程与设计 2020年4期2020-04-23
- 基于粒子群算法策略改进的飞鼠优化算法
国际常用优化测试函数作为测试集，包含4个单峰测试函数F1、F2、F3和F4，4个多峰函F5、F6、F7和F8以及4个固定维度下的复杂多峰函数F9、F10、F11和F12。单峰测试函数如表1所示。优化算法对比方面，本文选取了原始的飞鼠搜索算法(SSA)、标准的粒子群算法(PSO)、离子运动算法(IMO)、蝗虫优化算法(GOA)和差分进化算法(DE)进行比较。2.1 算法参数设置为了体现公正性，每一种算法均在同一个实验环境中测试；本文所用编程软件为MATLAB
洛阳理工学院学报(自然科学版) 2020年4期2020-03-25
- 珊瑚礁算法的改进研究
并通过具体的测试函数证明了算法的优越性.1 珊瑚礁算法珊瑚礁优化算法是受到珊瑚虫繁衍生存过程的启发而提出的一种元启发式算法.珊瑚礁优化算法基本执行过程如下[13]:①初始化:假设存在大小为M的珊瑚礁,即礁上存在M个节点空间供珊瑚虫生存;开始时,珊瑚礁上已有比例为ρ的空间被珊瑚虫占据,即礁上珊瑚虫的个数为M×ρ.②外部有性繁殖和内部有性繁殖:珊瑚虫产生子代的方式分为两种,即外部有性繁殖和内部有性繁殖;其比例分别为ξ和1-ξ,即外部有性繁殖的珊瑚虫个数为M×ρ
东北大学学报（自然科学版） 2020年2期2020-02-27
- 两个求解非线性方程的六阶迭代法
4).使用的测试函数如下：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.各个测试函数的数值实验结果列于表1至表4.表中以NM表示牛顿迭代法，AN表示算术平均牛顿法，MH1表示迭代法(1)，
杭州师范大学学报(自然科学版) 2020年1期2020-02-19
- 基于自适应调整权重和搜索策略的鲸鱼优化算法
用13个基准测试函数、5个大规模测试函数和5个固定维测试函数对该算法进行仿真，结果表明，本文提出的AWOA在求解高维度目标函数和较高精度的优化问题时，表现出较强的寻优能力.1 鲸鱼优化算法座头鲸是一类群居动物，由于它们只能捕食成群的小型鱼虾，因此进化出一种独特的觅食方式，即泡泡网觅食方式.根据座头鲸这种独特的狩猎行为，Seyedali等[7]于2016年模拟其群体行为方式，提出了鲸鱼优化算法，该算法主要分为两部分，一部分为泡泡网觅食，另一部分为随机搜索.1
东北大学学报（自然科学版） 2020年1期2020-02-15
- 一种新的结合奖励机制的ETLBO算法
C08中6个测试函数F1,F2,F3,F4,F5,F6[14].TLBO算法种群规模设为50,最大评估函数次数为240 000.可根据noef=2×NP×Iter,(10)noef=2×NP×Iter+de_noef(11)分别计算出TLBO和ETLBO算法的函数评估次数.其中：noef表示函数评估次数；NP表示种群大小；Iter表示迭代次数；de_noef表示去掉重复的函数评估次数.TLBO和ETLBO算法函数评估次数的计算只相差变异重复个体的函数评估次
吉林大学学报（理学版） 2019年6期2019-11-28
- 求解信赖域子问题的改进变步长休恩算法
次数,q表示测试函数的最优解的函数值。对于测试函数Function1,数值实验结果[12]如表1和表2所示，当信赖域半径较小时,本文提出的改进的休恩三阶算法要比原算法的计算速度快,迭代次数少,且在计算结果的精度上与之相近。对于测试函数Function1,当信赖域半径0.5≤Δ≤10时,改进的变步长休恩算法求得的信赖域子问题的最优值要比原算法的好,当Δ接近‖δnp‖2时,两种方法求得的结果一样。对于测试函数Function2,数值实验结果[12]如表3和表4
太原科技大学学报 2019年6期2019-11-18
- 萤火虫算法参数分析与优化*
试验测试经典测试函数[7-8](见表1)分析萤火虫算法其他4个参数对算法性能的影响。表1 测试函数[7-8]算法参数的经验设置见表2，在进行单因素试验时固定三个参数，改变一个参数进行仿真试验。试验环境为Windows 7，64位操作系统，Core i5-4210U处理器，8 GB内存，MATLAB 7.11版本。为降低随机误差，每个测试函数每组参数组合分别独立运行20次。表2 算法参数经验设置2.1 萤火虫数量(n)对算法的影响根据经验值，设置萤火虫数量n
网络安全与数据管理 2019年11期2019-11-12
- 一种改进的多目标正余弦优化算法
在一系列标准测试函数上进行仿真实验来验证算法的良好性能，第五节通过将IMSCA与其他多目标算法在真实工程设计优化问题上进行对比分析，验证所提算法在解决实际问题中的性能.最后第六节总结全文.2 背景知识2.1 反向学习反向学习(opposition-based learning，OBL)[15]的出现为算法的搜索提供了一种新的思路，通过反向学习策略，算法在搜索最优解的同时，还会对其相反方向的解进行评价，从而增大最优解的获得概率，进而提升算法收敛速度.其基础概
小型微型计算机系统 2019年10期2019-11-11
- 可预测的差分扰动用户轨迹隐私保护方法
由预测函数、测试函数和噪声机制三部分构成,如果预测函数生成的干扰位置通过测试函数,则直接使用该干扰位置去请求服务,否则使用噪声机制向当前真实位置添加噪声,重新生成一个干扰位置去请求服务.本文的组织结构如下:第1节介绍轨迹隐私保护的背景;第2节介绍轨迹隐私保护的研究现状;第3节描述可预测的差分扰动用户轨迹隐私保护方法;第4节进行实验以及实验结果分析;第5节对全文进行总结.3 可预测的差分扰动用户轨迹隐私保护方法3.1 相关定义定义1.用户轨迹T={(x1,y
小型微型计算机系统 2019年6期2019-06-06
- QK(p,q)空间到Bloch型空间上的Stevi-Sharma算子
∈D,分别取测试函数和类似于(11)式的证明，可分别证明和成立.由此(a)、(b)、(c)成立，则定理1的证明完成.(12)和记K={z∈D:|φ(z)|≤η} 直接计算可得‖Tψ1,ψ2,φfn‖Bμ(13)对于n∈N,取测试函数(14)另一方面, 由 (7)式和 (14)式我们有这就意味着进而有即(15)分别取测试函数和用类似于(15)式证明方法，我们可以证明成立.我们略去详细的证明过程. 定理2的证明完成.
山西师范大学学报（自然科学版） 2019年1期2019-03-23
- 具有自适应行为的粒子群算法研究
果。3.1 测试函数与参数设定为了检验AIW-PSO算法的性能，引入8组基准测试函数进行仿真实验，所采用的测试函数见表1。在表1中，f1至f4为单峰测试函数，f5至f8为多峰测试函数。f3的理论最优位置为[1]n，f4的理论最优位置为[-0.5]n，其余6组测试函数的理论最优位置为[0]n，n表示优化问题的维数，f1至f8的理论最优值均为0。表1 基准测试函数实验中设置PSO和AIW-PSO算法的学习因子c1=c2=2；BBO算法的突变概率Mu=0.005
统计与决策 2019年2期2019-03-05
- 基于函数动态递减因子的布谷鸟算法
用3个常用的测试函数对基本布谷鸟搜索算法和改进后的布谷鸟搜索算法进行对比实验.设置鸟窝数量m=25,最大迭代次数为500,ICS算法和CS算法均独立运行100次,测试函数见表1.图1～3为测试函数最优值变化趋势图,表2为测试函数最优解位置以及两种算法的搜寻结果,表3为两种算法搜索到的最优值情况.表 1 测试函数图 1 Sphere函数最优值变化趋势图 图 2 Beale函数最优值变化趋势图 Fig.1 Diagram of the optimal valu
西安工程大学学报 2018年4期2018-09-17
- 改进的差分演化算法及其在函数优化中的应用
国际上标准的测试函数进行验证本算法的优越性.1 问题的描述本文研究以最小化函数优化为目标，如公式1所示，其中S⊆RD,RD称为搜索空间,D是变量维数,f(x)为目标函数，X是n维解向量X=[x1,x2,…,xn]T, 每个自变量xi满足一定的约束条件，如公式2所示.最终的目标为求解目标函数的最小值作为最优，记做min(f(x)).X=(x1,x2,…,xn)∈Rn，(1)Li≤xi≤Ui,i=1,2,…,n.(2)2 算法思路与框架流图差分演化算法求解函数
许昌学院学报 2018年6期2018-07-24
- 一种基于EABC的新型搜索方法
分析5.1 测试函数集及实验参数设置为比较EABC算法与几种对比算法的性能，本章从文献中选取了11个D=30或D=60的测试函数，1个D=100或D=200的测试函数，2个D=10的测试函数，1个D=4的低维测试函数，1个D=24的测试函数和2个D=30的测试函数。对所有的测试函数，设置种群的规模为100（SN=50），limit=0.6*SN*D。为了能对算法结果进行有效统计，每个函数独立优化30次，统计其平均最优值（Mean）和标准方差（SD）在对不同
电子世界 2018年11期2018-06-19
- 采用动态权重和概率扰动策略改进的灰狼优化算法
。对多个基准测试函数进行仿真实验，实验结果表明，相对于GWO算法、混合GWO(HGWO)算法、引力搜索算法(GSA)和差分进化(DE)算法，所提IGWO算法有效摆脱了局部收敛，在搜索精度、算法稳定性以及收敛速度上具有明显优势。元启发式算法；灰狼优化算法；函数优化；权值因子；扰动策略0 引言近20年来，元启发式算法得到了迅速发展。它源自于自然现象的启发，在解决复杂计算问题时提供了一种新的手段，典型的有遗传算法(Genetic Algorithm, GA)[1
计算机应用 2017年12期2018-01-08
- 具有收缩因子的自适应鸽群算法用于函数优化问题
自适应策略；测试函数；群智能优化算法中图分类号：TP114 文献标识码：A 文章编号：2095-1302（2017）05-00-040 引 言元启发式优化技术非常流行，在过去二十年，它们中的一些算法如遗传算法，蚁群算法和粒子群算法在计算机科学领域及其他科学领域非常有名[1]。基于群体的群体智能算法已被广泛接受，并成功应用于求解优化问题中。近年来，出现许多基于群体的群体智能算法，如人工蜂群算法[2]，人工鱼群算法[3]和布谷鸟算法[4]等。一些生物启发优化算
物联网技术 2017年5期2017-06-03
- 一种求解二次模型信赖域子问题的Admas4隐式算法
附录中给定的测试函数1和测试函数2的信赖域子问题(1)，取h=0.1，选取不同的信赖域半径△，然后将Admas4隐式算法利用MATLAB进行了数值实验。并且用该算法求得的测试函数在近似最优解的函数值与R-K4方法进行比较，数值结果分别列在表1和表2中。表1 测试函数1的数值结果从表1和表2的数值结果可以看出，本论文所提出的Admas4隐式算法是有效且可行的。对于测试函数1和测试函数2，当信赖域半径△<‖B-1g‖2时，除了信赖域半径在‖B-1g‖2附近的情
太原科技大学学报 2016年5期2016-11-14
- 几类元启发式优化算法性能的比较研究*
取20个标准测试函数，统计4种元启发式优化算法的运行结果.以算法运行的精确度、稳定性作为比较指标分析算法的求解性能，提出了3种比较算法优劣性的方法，总结了3种比较方法的优缺点.优化 萤火虫算法 布谷鸟算法 蝙蝠算法 和声搜索算法1 引言元启发式优化算法［1］，又被称作现代优化算法或智能优化算法，是一类通用启发式策略［2］，用来指导传统启发式算法朝着可能含有高质量解的搜索空间进行搜索，是人类通过对自然界现象的模拟和生物智能的学习，提出的一类新型的搜索技术.这
数学理论与应用 2016年2期2016-10-20
- 带势函数的双调和不等式组的整体解的不存在性
过选择合适的测试函数,利用Young不等式、Hölder不等式及Sobolev嵌入定理等,得到解的先验估计,并应用这一估计证明不等式组的整体解的不存在性.关键词：双调和; 测试函数; 整体解1问题的提出研究不等式组(1)(3)文献[1]给出了四阶Schrõdinger不等式(4)的先验估计.Brezis[2]研究了下列问题：令1而且,如果在RN上，几乎处处有f≥0,则几乎处处有u≥0.Quittner[3]研究了下列方程:Yarur[4]研究了下列方程:在
上海理工大学学报 2016年2期2016-06-02
- 约束二进制二次规划测试函数的一个构造方法
进制二次规划测试函数的一个构造方法雍龙泉(陕西理工学院 数学与计算机科学学院， 陕西 汉中 723000)[摘要]基于盖尔圆定理, 给出了约束二进制二次规划测试函数的一个构造方法: 对原问题, 通过线性变换, 得到一个新的不定二次规划, 且该不定二次规划恰好以给定初始点为最优解; 进而构造出了一系列具有共同最优解的约束二进制二次规划。[关键词]二进制二次规划;测试函数;半正定矩阵;盖尔圆定理非线性整数规划在经济、计算机科学、工程技术中有非常重要的应用。 多
陕西理工大学学报(自然科学版) 2015年6期2016-01-25
- 一种高效自学习性回溯搜索优化算法
系数的算法在测试函数F1～F5上的收敛效果比较，可以看到新的变异尺度系数在多峰函数的测试中有较好的收敛效果。图1 测试函数F1收敛速度对比图2 测试函数F2收敛速度对比图图3 测试函数F3收敛速度对比图4 测试函数F4收敛速度对比图5 测试函数F5收敛速度对比2.2 BSA交叉策略的改进实验表明，单独使用交叉策略I或者交叉策略II，收敛速度比联合交叉策略慢得多，联合交叉策略对BSA良好的收敛效果有较大贡献。而受到JADE［11］中交叉率产生方式的启发，在联
电子科技 2015年2期2015-12-20
- 面向真实世界的测试函数Ⅱ
无约束优化的测试函数。这些函数有一个共同特点，就是全局最优解是已知的。也就是说，让算法去寻找一个已知具体方位的全局最优解，这在现实世界中是荒唐的。如果某算法声称已找到了测试函数全局最优解，别人如何判别它的真实性呢?要想得到正确的答案，只有重现算法程序并运行。然而，重现别人的算法并不是一项轻松的工作。为了解决这一问题，本文构造了面向真实世界的测试函数，它的全局最优解有可能为零或从正向接近零，但全局最优解坐标却是未知的。如果某算法找到了此类测试函数值为零的具体
江苏高职教育 2014年2期2014-07-16
- 一种求解二次模型信赖域子问题的休恩算法
5，对给定的测试函数1和测试函数2的二次模型信赖域子问题，选取不同的信赖域半径△，然后将休恩算法利用MATLAB进行了实验。并且用该算法求得的相关数值结果与切线单折线法求得的相关数值结果进行了比较。相关数据分别列在表1和表2中，其中△表示信赖域半径，q表示测试函数的最优解的函数值，TDL表示切线单折线法，HML表示休恩算法，qHML-qTDL表示使用休恩算法与切线单折线法所求得的测试函数的最优解的函数值之差，该值越小，表明休恩算法越好。测试函数见附录。从表
太原科技大学学报 2014年2期2014-06-13
- 一种改进的群搜索优化方法*
在23个基准测试函数中，GSO方法取得了15个最佳结果。目前，GSO方法在工程领域已有较多的应用，并在解决分布式电源配置［5］、平面框架结构［6］、弹簧设计和压力容器设计［7］等问题中也取得了很好的效果。为了进一步提高GSO方法的性能，文献［5～8］对其进行了改进，并且，这些改进方法的性能在具体问题中或通过部分标准测试函数中进行了验证。在GSO方法中，发现者的行为是影响收敛速度和精度最重要的因素。本文主要针对发现者的行为进行了改进。最大下降方向策略的加入，
传感器与微系统 2012年9期2012-10-22
- 基于DSP和VC的网络通信检测系统的研究
)，利用音频测试函数YinPinV(int flag)，根据A律转线性函数alaw2linear()解码出来的存放在expand_packet［］数组中的数据计算电压幅值、调制速率等参数，这里，expand_packet［］是在 arp_broadcast()函数中不断更新的。具体的DSP程序测试流程示意图如图2所示:3 软件模块测试函数说明主要对 VC、dsp55x.c、cs8900a.c 三个源文件中包含的测试函数进行相关的描述［4］，及主要函数的流程
山西电子技术 2012年3期2012-05-12
- PHP Unit自动化单元测试技术研究
性。及要求被测试函数具备输入输出。（本测试方案未考虑无输入输出函数的测试）2）被测函数尽可能分情况说明输入输出。及期望输入及输出和非期望输入对应输出。3）被测还是应该有基本的函数说明，表明函数的功能[1]。2 单元测试管理1）对于某个系统，不同层的代码放置于不同文件夹下。以talk为例，其有dataaccess层和logic层，那么其dataaccess层代码放置于文件夹dataaccess之下。而单元测试文件的布局则和系统代码布局一一对应。对于某个文件a
电子设计工程 2012年23期2012-01-15
- 基于非支配排序遗传算法的效果评价及程序测试*
应用四个标准测试函数对英国Glasgow大学软件工程师陈益提供的外挂工具箱(SGALAB)beta5008中NSGA程序进行可靠性测试，为NSGA的实际应用提供理论依据及可行的程序。NSGA方法原理非支配排序遗传算法〔2〕(nondominated sorting genetic algorithm，NSGA)是由 Srinivas和Deb于1995年提出的，是一种基于Pareto排序的方法，其基本思路是对所有的个体按不同的层次分级，在执行选择算子之前，种
中国卫生统计 2011年5期2011-03-11
- 改进非劣分类遗传算法多目标优化效果评价及程序测试*
本文旨在应用测试函数对NSGA-Ⅱ的效果进行评价，对课题组成员英国Glasgow大学软件工程师陈益利用Matlab2009a编写的外挂SGALAB工具箱beta5008进行可靠性测试，为NSGA-Ⅱ的实际应用提供理论依据及可行的程序。NSGA-Ⅱ方法原理改进非劣分类遗传算法(NSGA-Ⅱ)是在非劣分类遗传算法(nondominated sorting genetic algorithm，NSGA)的基础上提出来的，它针对NSGA的三个弊端(计算复杂度较高，
中国卫生统计 2011年6期2011-03-11