測試函數
- 融入重心反向學習和單純形搜索的粒子群優化算法
on4.2 測試函數本文采用常見的基準測試函數對算法的尋優能力進行評價。其中,f1～f4為常用單峰函數,分別為Sphere、Rosenbrock、Duadric和Powersum函數,一般用來檢驗算法的收斂速度和求解精度;f5～f8為常用多峰函數,分別為Griewank、Rastrigin、Schwefel和Acley函數,用于評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,f11和f12為CEC’2013中的偏移多峰函
計算機工程與科學 2023年9期2023-09-18
- 基于LMS-SPWVD的非平穩振動信號時頻分析方法
平穩含噪信號測試函數進行處理,獲取最優信號時域波形;然后采用SPWVD對其進行分析,構建時頻分布模型;最后將分析結果與SPWVD、LMS-STFT、LMS-WVD比較,驗證該方法的有效性。1 基本理論1.1 LMSLMS算法因其結構簡單、計算量小、穩定性好的特點,被廣泛用于信號處理、系統辨識及目標跟蹤等領域[15-17]。LMS算法的基本原理結構圖如圖1所示。其中x(n)為含噪輸入信號,y(n)為濾波輸出信號,d(n)為期望信號,e(n)為期望信號與濾波信
太原科技大學學報 2023年4期2023-07-21
- 改進交叉算子的自適應人工蜂群黏菌算法
采用8個基準測試函數以及部分CEC2014測試函數對改進算法進行尋優測試，并結合Wilcoxon值和統計檢測驗證了改進算法的有效性.2 黏菌優化算法SMA是根據黏菌個體的振蕩捕食行為提出的一種智能優化算法，自然界中的黏菌可以根據空氣中食物氣味的濃度來接近食物，當黏菌靜脈接觸的食物濃度越高，生物振蕩越強，黏菌靜脈寬度增大，該區域聚集更多黏菌；當該區域食物濃度低時，黏菌轉向探索其他區域.黏菌接近食物的數學模型描述如公式(1)所示：(1)式中，t為當前迭代次數，
小型微型計算機系統 2023年2期2023-02-17
- 改進搜索機制的單純形法引導麻雀搜索算法*
EC2014測試函數的仿真實驗，驗證了本文改進算法的有效性。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警行為。一個麻雀種群中存在發現者、加入者和偵察者3種個體。發現者在搜索空間中擁有較好的位置并帶領其它發現者覓食。偵察者隨機產生，負責偵察預警。算法起源于一個由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表示種群數量,X中每一行表示一只麻雀的位置向量。在一個麻雀種群中，發現者通常有很高的能量儲備，能為
計算機工程與科學 2022年12期2022-12-22
- 基于鯨魚圍捕和驅趕策略的改進粒子群算法
性能。多峰值測試函數為式中，x0——第d維度的x值。單峰值測試函數為固定維多峰值測試函數為f1至f4為高維多峰函數，高維多峰函數的維度均為30，理論最優解除f3外均為0；f5至f10均為單峰函數，單峰函數的維度均為30，理論最優解均為0；f11和f12為固定維多峰函數，其維度分別為2和4，理論最優解分別為1和-10.536 3。文中將所有測試算法的規模都設置為20，迭代次數設置為1 000，分別運行30次，取測試結果的平均值和均方差作為評估指標。5個算法對
黑龍江科技大學學報 2022年4期2022-08-30
- 使用高斯分布估計策略的改進樽海鞘群算法
EC2017測試函數,并與其他算法進行對比,驗證了本文提出的改進策略的有效性和改進算法的優越性。1 原始SSA樽海鞘群體在進行覓食時通常分為兩個部分:領導者和追隨者。領導者位于鏈的前端,負責尋找食物源進行引導,追隨者則跟隨先前的個體,群體通過相互協作找到食物源,具體數學模型介紹如下。同其他群智能優化算法類似,初始化階段盡可能均勻分布在搜索空間,隨機初始化位置公式為(1)=·(-)+(1)式中:為服從0到1均勻分布的隨機向量;和分別表示搜索空間的上下界。樽海
系統工程與電子技術 2022年7期2022-06-25
- 融合振蕩禁忌搜索的自適應均衡優化算法
過10個基準測試函數及其Wilcoxon秩和檢測和部分CEC2014測試函數的仿真實驗結果驗證了CfOEO算法的優越性。1 EO算法介紹EO算法來源于一個描述容器內進出物質質量平衡的一階常微分方程，方程描述了容器內質量隨時間變化的規律，其數學模型如式（1）所示：式中，V表示容積；C表示濃度；Q為單位時間內進出的容量流率；Ceq為平衡狀態下的濃度；G表示質量生成速率。分析式（1）可知，平衡體系中質量隨時間的變化等于進入系統的質量加上系統內部產生的質量減去離開
計算機工程與應用 2022年10期2022-05-19
- 基于平均位置學習的改進粒子群算法研究
EC2017測試函數中的單峰和多峰共8個測試函數進行函數優化的對比實驗。其中，f4和f5為單峰函數，f1、f2、f3、f6、f7和f8為多峰函數，它們分別用于檢驗不同算法的搜索速度、尋優能力和全局搜索能力。具體測試函數見表1。表1 本文選用的8個測試函數為了增加這些檢測函數的優化難度，將部分函數都進行旋轉，用“*”表示對應測試函數進行旋轉 。選擇4個不同算法與本文提出的MLFDR相比較，4個不同算法分別是：PSO[1]、FDR[8]、wFIPS[14]和U
重慶工商大學學報（自然科學版） 2022年3期2022-05-18
- 動態罰函數法求解約束優化問題
CO在大多數測試函數上性能優于其他比較算法。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，對于任意兩個個體xi和xj，滿足以下任一條件，xi優于xj：其中，這里，ε0是初始閾值，t和T分別是種群的當前迭代次數和最大迭代次數，λ和p是兩個參數，ε隨迭代次數的增加而減小。2 差分進化算法1997年Storn和Price提出差分進化算法（differential evolution，DE）[11]，其具有結構簡單、易于
計算機工程與應用 2022年4期2022-03-02
- 解信賴域子問題的多折線算法
數值試驗采用測試函數1與測試函數2對多折線算法進行數值試驗[15-16]，同時與DSD算法[14]的數值結果進行比較見表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算法的最優值差。表1 測試函數1數值結果比較表表2 測試函數2數值結果比較表測試函數1：s.t.‖δ‖2≤Δ測試函數2：s.t.‖δ‖2≤Δ由表1與表2的數值結果比較可得出：本文構造的多折線算法無論對測試函數1還是測試函數2當信賴域半徑的取值小于10.2時
太原科技大學學報 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，令多割線折線算法中的步長h=0.1，文獻[7]中的歐拉切線算法步長中的參數k=8，然后進行數值實驗，把多割線折線算法求解的測試函數在最優解處的函數值分別與文獻[1]中的切線單折線法和文獻[7]中的分段切線算法求解的測試函數在最優解處的函數值進行比較,并對數值實驗結果進行了分析.數值實驗結果分別列在表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在最優解處的函數值，fSTA表示分段切線算法求解的測試函數在最優解
寧夏師范學院學報 2022年1期2022-02-22
- 一種基于精英選擇和反向學習的分布估計算法
chmark測試函數的仿真來實現，與之對比的算法選擇性能比較好的EE-EDA算法和基本經典的EDA算法。2 基本分布估計算法分布估計算法主要采用統計方法構建優秀個體的概率模型，該概率模型能夠反映變量之間的關系，對該概率模型采樣以此產生新種群，不斷迭代進化，最終實現搜索空間內的尋優。其中的關鍵步驟主要如下[25]：1) 初始化設置種群規模PS，最大進化代數Gmax，搜索空間維數D。初始種群通過在搜索空間范圍內通過均勻分布隨機產生pop(xi)0=ai+(bi
計算機仿真 2021年1期2021-11-18
- 基于自適應選擇的多策略粒子群算法
分析4.1 測試函數為了測試基于自適應選擇的多策略粒子群算法的性能，本次試驗采用8個標準測試函數，可將其分為三組。1)第一組為4個標準測試函數，其中包括：2個單峰函數(f1，f2)2個多峰函數(f3，f4)2)第二組為病態條件下的標準測試函數，其是在標準測試函數的基礎上加入噪聲、平移和旋轉的操作，從而提高測試函數的復雜。其中，平移函數為Shifted Schwefeil 1.2函數，具體可以表示為：o為平移量，也是全局最優的解;fbias為函數值偏移量，此
計算機仿真 2021年3期2021-11-17
- 基于醉漢漫步和反向學習的灰狼優化算法*
出了更復雜的測試函數，如CEC(Congress on Evolutionary Computation)2013、CEC2014等。以上學者所提出的改進算法無論在全局收斂性還是求解精度方面都待提高，同時算法尋優只針對標準測試函數，對復雜測試函數效果不佳?；依莾灮疓WO(Grey Wolf Optimizer)算法是Mirjalili等[8]在2014 年提出的一種群體智能優化算法。GWO概念清晰，具有結構簡單、計算時間復雜度低、易于實現和局部尋優能力強等
計算機工程與科學 2021年9期2021-09-23
- 混沌精英哈里斯鷹優化算法
用20個基準測試函數進行測試?；鶞?span class="hl">測試函數包括7個單峰測試函數、5個多峰測試函數和8個固定維度的多峰函數。F1～F7只有1個全局最優值，常用于評估算法的開發能力；F8～F20則可以評估算法的探索能力和局部最優規避能力?；鶞?span class="hl">測試函數如表1所示。3.1 實驗參數設置為了充分驗證CEHHO算法的有效性與優越性，選擇WOA［2］、GWO［6］、PSO（Particle Swarm Optimization）［17］、BBO（Biogeography-Based O
計算機應用 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1測試函數1來源于文獻[13]，有：(7)圖1為測試函數1的真實響應值的等高線圖，圖2為本文方法給出的響應值等高線圖。對比圖1、圖2可知，IKM的響應值與真實函數的響應值總體趨勢吻合較好。圖1 測試函數1真實響應值等高線圖圖2 基于IKM的測試函數1響應值等高線圖趨勢函數計算結果見表1，IKM與其他模型的總樣本數及對比見表2。通過表1可知，當代理模型整體趨勢函數階數等于2時，趨勢擬合程度最高。由表2可知，本文算法需要12個初始樣本和3個
兵器裝備工程學報 2021年7期2021-08-04
- 基于等級制度和布朗運動的混沌麻雀搜索算法
算法在12種測試函數中進行比較，測試函數如表2所示。為公平比較，在相同實驗平臺上，設置種群數為50，最大迭代數為300，算法參數與原文獻保持一致。所有算法均使用MATLAB R2018b編程，計算機操作系統為Windows10，處理器為AMD R7 4700 U 16 GB。表3為各算法獨立運行30次的統計結果。表2 測試函數表3 11種混沌映射組合算法計算平均值比較從表3可以得知，對于F1、F2，有5種映射結合算法優于SSA算法；對于F3、F8，有4種映
空軍工程大學學報 2021年3期2021-07-24
- 目標空間映射策略的高維多目標粒子群優化算法
對于一個m維測試函數，通過式(11)對其所有的目標維度的變化率進行計算，當所有的變化率都小于0.005時，算法陷入局部 最優。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，否則轉到3)；3)判斷種群是否陷入局部最優，執行反向學習策略；否則，直接轉到4)；4)利用式(1)和(2)更新個體的速度和位置；5)計算個體的適應度值；6)對個體當前適應度值和前代適應度值進行比較來更
智能系統學報 2021年2期2021-07-05
- 改進收斂因子和變異策略的灰狼優化算法
hmark 測試函數進行仿真實驗對比，表1 給出了16 個函數的相關信息。其中f1～f9是單峰優化函數，f10～f16是多峰優化函數。表1 測試函數從兩個不同的方面設置了對比實驗：1）比較CMGWO 與RMDE［5］，GWO［1］和WOA［6］在16 個測試函數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 個測試函數上的收斂精度。3.1 實驗參數設置各算法的參數具體設置
佛山科學技術學院學報（自然科學版） 2021年3期2021-06-15
- 永磁同步電機的自抗擾控制器參數自整定
)對表1中的測試函數f1、f2、f3、f4進行尋優時(其中f1、f2為單峰函數，f3、f4為多峰函數)，在理論最優值為0時，從表2可看出4種測試函數PSO算法尋優精度分別為103、103、102、101，可以看出標準粒子群算法PSO(Particle swarm optimization algorithm)的尋優精度跟理論值最優值有很大的差距，說明標準粒子群算法容易發生早熟現象，即粒子群算法沒有找到全局最優解就已經停止迭代。為改善早熟現象，提高粒子群算法
計算機測量與控制 2021年5期2021-06-02
- 基于慣性權值非線性遞減的改進粒子群算法*
優精度?；鶞?span class="hl">測試函數的仿真實驗結果表明，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，使粒子的尋優能力和搜索精度得到顯著提升，相比于文獻[8]中所提出的改進粒子群算法，本文所提出的算法優化性能更佳。1 粒子群算法的基本原理1.1 基本粒子群算法粒子群優化算法具有獨特的搜索機制，是受鳥群捕食行為的啟發而提出來的一種群體智能優化算法。其關鍵在于每個粒子在解空間內根據自己的記憶和從其他粒子獲取的社會信息來更新自己的位置，通過個體之間的競爭與合作，實現
重慶工商大學學報（自然科學版） 2021年2期2021-04-13
- 一種基于鄰域改進的分解多目標進化算法
二維ZDT1測試函數為例進行說明，取固定鄰域20，迭代300次后，其MOEA/D算法結果如圖1所示，小圓圈表示Pareto最優解的位置.可以看出，固定鄰域下的進化結果，一般在中間區域最優解較多，邊緣區域最優解較稀少.若只采用固定鄰域，則使邊緣區域最優解多樣性下降，導致Pareto最優解不能均勻分布在PF上，不利于提升算法性能.3 改進算法MOEA/D-INS3.1 算法改進策略描述MOEA/D算法進化過程中用到兩個不同的鄰域：選擇鄰域和替換鄰域[18].選
小型微型計算機系統 2020年12期2020-12-09
- 改進慣性權重的粒子群優化算法
能力，最后對測試函數進行尋優操作來驗證改進后粒子群優化算法（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的問題的解想象成一只鳥，稱為一個“粒子”，然后讓所有粒子在D 維的搜索空間進行搜索，粒子位置的好壞由定義的適應度函數評價，并且給每個粒子賦予記憶功能，能夠記憶粒子搜索過程中尋到的最佳位置，同時，各個粒子之間也可以進行信息共享，通過粒子自身經驗和同伴的經驗來動態調整粒子位置.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
河西學院學報 2020年5期2020-11-20
- 基于小批量梯度下降的布谷鳥搜索算法
實驗選擇3類測試函數，包括5組單峰基準測試函數、3組多峰基準測試函數和3組固定維度多峰基準測試函數［21-22］，見表1。實驗中用CS算法和改進后的MBGDCS算法對每個測試函數分別運行20次，進行200次迭代，取平均值表示搜索的結果精準性，實驗中參數默認設置為：鳥窩規模n 為25，發現概率pa為0.25，梯度下降的批量batch_size為5。實驗結果如表2～3和圖2～12所示。表1 標準測試函數表Tab.1 Standard test function
山東科技大學學報(自然科學版) 2020年5期2020-09-24
- 一類具有擬牛頓形式的共軛梯度法
1.所選取的測試函數來源于文獻[16]，并且算法在或者迭代次數超過9999次時終止，測試所得的實驗數據將通過MATLAB進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，運行環境為PC 2.7GHZ CPU，4G Memory，Windows 10操作系統，測試函數來源于Dolan and More[17]，他們在文中給出如下定義：P為測試函數集，S為算法集，nS和nP分別表示算法的個數和測試函數的個數，tp.s表示用某
廣東技術師范大學學報 2020年3期2020-08-02
- 改進灰狼優化算法的研究
于8 個標準測試函數并與基本灰狼優化算法（GWO）及粒子群- 引力搜索算法（PSOGSA）進行對比，實驗仿真表明，GWO 算法收斂速度更快且尋優精度更高。2 基本灰狼優化算法2014 年澳大利亞學者Mirjalili 模仿狼群種群圍攻、捕獲獵物的過程提出了灰狼優化算法[1]。同其他群智能優化算法相似，灰狼優化算法在設定上下邊界的基礎上進行種群初始化。在每一次迭代的過程中，取得最優解的三只狼的位置為α，β，δ。其余的狼的位置則設定為ω 跟隨著三只頭狼α，β，
科學技術創新 2020年16期2020-06-28
- 一種求解信賴域子問題的基爾方法
對如下給定的測試函數Function1和Function2其中：進行數值實驗，對所求得的相應數值結果進行比較，如下表：表1 測試函數1的數值結果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
太原科技大學學報 2020年3期2020-06-18
- 基于兩階段參考點三層選擇的多目標優化算法
群個數．2 測試函數與評價指標為驗證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類算法對測試函數DTLZ[16]與ZDT[17]進行計算, 通過運行時間與多種性能指標來比較不同算法的計算效果．2.1 測試函數及參數設置ZDT1～ZDT3測試函數目標之間相互沖突,即存在一增一減的關系．DTLZ2測試函數的目標相關性如圖6所示．從圖6可
揚州大學學報（自然科學版） 2020年1期2020-05-25
- 基于重構鄰域策略的分解多目標進化算法
較為緩慢.以測試函數DTLZ3為例,從圖1可以看出,在二維目標優化問題上,在350代之前,MOEA/D-DU的GD指標值隨代數變化曲線在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值隨代數變化曲線在MOEA/D的下方,并逐漸趨于穩定,即MOEA/D-DU的GD值更優,說明MOEA/D-DU求得的近似Pareto前沿能較好地逼近真實的Pareto前沿面,但是從曲線總體走向
小型微型計算機系統 2020年3期2020-05-12
- 基于天體運動更新機制的改進樽海鞘群算法
個常用的算法測試函數驗證改進算法的有效性。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式的行為,即前后個體之間相互影響。將樽海鞘群中的個體劃分為領導者和追隨者,其中領導者在鏈的前端,對周圍的環境有更好的判斷。SSA的具體運算步驟如下[6]。1.1.1 種群的隨機初始化設種群總數為N,其中領導者個數為Nl,追隨者個數為Nf,解空間維數為D維,搜索空間的上限和下限分別為:ub=[ub1ub2ub3…ubD]和lb=[lb1lb2lb3…
上海電力大學學報 2020年2期2020-05-10
- 基于線性遞減權值更新的雞群算法
實驗3.1 測試函數和實驗設置為了驗證改進雞群算法(ACSO)的有效性，本文選取了6個標準的測試函數進行仿真實驗，并與基本的雞群算法(CSO)、粒子群算法(PSO)、差分算法(DE)進行對比分析。測試函數的基本信息見表1，測試函數的參數設置見表2。表1 基本測試函數表2 各算法參數的設置通過這6個基準函數的不同特點，可以充分考察改進的雞群算法對不同類型問題的優化性能。這幾個函數可以分為單峰函數(F1),多峰函數(F2～F6)，選取這些函數可以考察改進算法的
智能計算機與應用 2020年2期2020-04-29
- 基于博弈機制的多目標粒子群優化算法
置本文使用的測試函數是現今比較流行的測試函數系列，分別是ZDT系列、DTLZ系列和WFG系列測試函數，總共21個函數構成，進行28項測試。ZDT系列中，由于ZDT5是布爾函數，使用此測試函數需要二進制編碼，所以就沒有用該測試函數，ZDT系列標準測試函數進行兩目標測試。DTLZ系列由DTLZ1至DTLZ7組成的一類標準測試函數，DTLZ系列標準測試函數分別進行了兩目標和三目標測試，WFG系列標準測試函數進行三目標測試。對比算法分別是NSGA-II[10]、M
計算機工程與設計 2020年4期2020-04-23
- 基于粒子群算法策略改進的飛鼠優化算法
國際常用優化測試函數作為測試集，包含4個單峰測試函數F1、F2、F3和F4，4個多峰函F5、F6、F7和F8以及4個固定維度下的復雜多峰函數F9、F10、F11和F12。單峰測試函數如表1所示。優化算法對比方面，本文選取了原始的飛鼠搜索算法(SSA)、標準的粒子群算法(PSO)、離子運動算法(IMO)、蝗蟲優化算法(GOA)和差分進化算法(DE)進行比較。2.1 算法參數設置為了體現公正性，每一種算法均在同一個實驗環境中測試；本文所用編程軟件為MATLAB
洛陽理工學院學報(自然科學版) 2020年4期2020-03-25
- 珊瑚礁算法的改進研究
并通過具體的測試函數證明了算法的優越性.1 珊瑚礁算法珊瑚礁優化算法是受到珊瑚蟲繁衍生存過程的啟發而提出的一種元啟發式算法.珊瑚礁優化算法基本執行過程如下[13]:①初始化:假設存在大小為M的珊瑚礁,即礁上存在M個節點空間供珊瑚蟲生存;開始時,珊瑚礁上已有比例為ρ的空間被珊瑚蟲占據,即礁上珊瑚蟲的個數為M×ρ.②外部有性繁殖和內部有性繁殖:珊瑚蟲產生子代的方式分為兩種,即外部有性繁殖和內部有性繁殖;其比例分別為ξ和1-ξ,即外部有性繁殖的珊瑚蟲個數為M×ρ
東北大學學報（自然科學版） 2020年2期2020-02-27
- 兩個求解非線性方程的六階迭代法
4).使用的測試函數如下：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.各個測試函數的數值實驗結果列于表1至表4.表中以NM表示牛頓迭代法，AN表示算術平均牛頓法，MH1表示迭代法(1)，
杭州師范大學學報(自然科學版) 2020年1期2020-02-19
- 基于自適應調整權重和搜索策略的鯨魚優化算法
用13個基準測試函數、5個大規模測試函數和5個固定維測試函數對該算法進行仿真，結果表明，本文提出的AWOA在求解高維度目標函數和較高精度的優化問題時，表現出較強的尋優能力.1 鯨魚優化算法座頭鯨是一類群居動物，由于它們只能捕食成群的小型魚蝦，因此進化出一種獨特的覓食方式，即泡泡網覓食方式.根據座頭鯨這種獨特的狩獵行為，Seyedali等[7]于2016年模擬其群體行為方式，提出了鯨魚優化算法，該算法主要分為兩部分，一部分為泡泡網覓食，另一部分為隨機搜索.1
東北大學學報（自然科學版） 2020年1期2020-02-15
- 一種新的結合獎勵機制的ETLBO算法
C08中6個測試函數F1,F2,F3,F4,F5,F6[14].TLBO算法種群規模設為50,最大評估函數次數為240 000.可根據noef=2×NP×Iter,(10)noef=2×NP×Iter+de_noef(11)分別計算出TLBO和ETLBO算法的函數評估次數.其中：noef表示函數評估次數；NP表示種群大??；Iter表示迭代次數；de_noef表示去掉重復的函數評估次數.TLBO和ETLBO算法函數評估次數的計算只相差變異重復個體的函數評估次
吉林大學學報（理學版） 2019年6期2019-11-28
- 求解信賴域子問題的改進變步長休恩算法
次數,q表示測試函數的最優解的函數值。對于測試函數Function1,數值實驗結果[12]如表1和表2所示，當信賴域半徑較小時,本文提出的改進的休恩三階算法要比原算法的計算速度快,迭代次數少,且在計算結果的精度上與之相近。對于測試函數Function1,當信賴域半徑0.5≤Δ≤10時,改進的變步長休恩算法求得的信賴域子問題的最優值要比原算法的好,當Δ接近‖δnp‖2時,兩種方法求得的結果一樣。對于測試函數Function2,數值實驗結果[12]如表3和表4
太原科技大學學報 2019年6期2019-11-18
- 螢火蟲算法參數分析與優化*
試驗測試經典測試函數[7-8](見表1)分析螢火蟲算法其他4個參數對算法性能的影響。表1 測試函數[7-8]算法參數的經驗設置見表2，在進行單因素試驗時固定三個參數，改變一個參數進行仿真試驗。試驗環境為Windows 7，64位操作系統，Core i5-4210U處理器，8 GB內存，MATLAB 7.11版本。為降低隨機誤差，每個測試函數每組參數組合分別獨立運行20次。表2 算法參數經驗設置2.1 螢火蟲數量(n)對算法的影響根據經驗值，設置螢火蟲數量n
網絡安全與數據管理 2019年11期2019-11-12
- 一種改進的多目標正余弦優化算法
在一系列標準測試函數上進行仿真實驗來驗證算法的良好性能，第五節通過將IMSCA與其他多目標算法在真實工程設計優化問題上進行對比分析，驗證所提算法在解決實際問題中的性能.最后第六節總結全文.2 背景知識2.1 反向學習反向學習(opposition-based learning，OBL)[15]的出現為算法的搜索提供了一種新的思路，通過反向學習策略，算法在搜索最優解的同時，還會對其相反方向的解進行評價，從而增大最優解的獲得概率，進而提升算法收斂速度.其基礎概
小型微型計算機系統 2019年10期2019-11-11
- 可預測的差分擾動用戶軌跡隱私保護方法
由預測函數、測試函數和噪聲機制三部分構成,如果預測函數生成的干擾位置通過測試函數,則直接使用該干擾位置去請求服務,否則使用噪聲機制向當前真實位置添加噪聲,重新生成一個干擾位置去請求服務.本文的組織結構如下:第1節介紹軌跡隱私保護的背景;第2節介紹軌跡隱私保護的研究現狀;第3節描述可預測的差分擾動用戶軌跡隱私保護方法;第4節進行實驗以及實驗結果分析;第5節對全文進行總結.3 可預測的差分擾動用戶軌跡隱私保護方法3.1 相關定義定義1.用戶軌跡T={(x1,y
小型微型計算機系統 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} 直接計算可得‖Tψ1,ψ2,φfn‖Bμ(13)對于n∈N,取測試函數(14)另一方面, 由 (7)式和 (14)式我們有這就意味著進而有即(15)分別取測試函數和用類似于(15)式證明方法，我們可以證明成立.我們略去詳細的證明過程. 定理2的證明完成.
山西師范大學學報（自然科學版） 2019年1期2019-03-23
- 具有自適應行為的粒子群算法研究
果。3.1 測試函數與參數設定為了檢驗AIW-PSO算法的性能，引入8組基準測試函數進行仿真實驗，所采用的測試函數見表1。在表1中，f1至f4為單峰測試函數，f5至f8為多峰測試函數。f3的理論最優位置為[1]n，f4的理論最優位置為[-0.5]n，其余6組測試函數的理論最優位置為[0]n，n表示優化問題的維數，f1至f8的理論最優值均為0。表1 基準測試函數實驗中設置PSO和AIW-PSO算法的學習因子c1=c2=2；BBO算法的突變概率Mu=0.005
統計與決策 2019年2期2019-03-05
- 基于函數動態遞減因子的布谷鳥算法
用3個常用的測試函數對基本布谷鳥搜索算法和改進后的布谷鳥搜索算法進行對比實驗.設置鳥窩數量m=25,最大迭代次數為500,ICS算法和CS算法均獨立運行100次,測試函數見表1.圖1～3為測試函數最優值變化趨勢圖,表2為測試函數最優解位置以及兩種算法的搜尋結果,表3為兩種算法搜索到的最優值情況.表 1 測試函數圖 1 Sphere函數最優值變化趨勢圖 圖 2 Beale函數最優值變化趨勢圖 Fig.1 Diagram of the optimal valu
西安工程大學學報 2018年4期2018-09-17
- 改進的差分演化算法及其在函數優化中的應用
國際上標準的測試函數進行驗證本算法的優越性.1 問題的描述本文研究以最小化函數優化為目標，如公式1所示，其中S?RD,RD稱為搜索空間,D是變量維數,f(x)為目標函數，X是n維解向量X=[x1,x2,…,xn]T, 每個自變量xi滿足一定的約束條件，如公式2所示.最終的目標為求解目標函數的最小值作為最優，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
許昌學院學報 2018年6期2018-07-24
- 一種基于EABC的新型搜索方法
分析5.1 測試函數集及實驗參數設置為比較EABC算法與幾種對比算法的性能，本章從文獻中選取了11個D=30或D=60的測試函數，1個D=100或D=200的測試函數，2個D=10的測試函數，1個D=4的低維測試函數，1個D=24的測試函數和2個D=30的測試函數。對所有的測試函數，設置種群的規模為100（SN=50），limit=0.6*SN*D。為了能對算法結果進行有效統計，每個函數獨立優化30次，統計其平均最優值（Mean）和標準方差（SD）在對不同
電子世界 2018年11期2018-06-19
- 采用動態權重和概率擾動策略改進的灰狼優化算法
。對多個基準測試函數進行仿真實驗，實驗結果表明，相對于GWO算法、混合GWO(HGWO)算法、引力搜索算法(GSA)和差分進化(DE)算法，所提IGWO算法有效擺脫了局部收斂，在搜索精度、算法穩定性以及收斂速度上具有明顯優勢。元啟發式算法；灰狼優化算法；函數優化；權值因子；擾動策略0 引言近20年來，元啟發式算法得到了迅速發展。它源自于自然現象的啟發，在解決復雜計算問題時提供了一種新的手段，典型的有遺傳算法(Genetic Algorithm, GA)[1
計算機應用 2017年12期2018-01-08
- 具有收縮因子的自適應鴿群算法用于函數優化問題
自適應策略；測試函數；群智能優化算法中圖分類號：TP114 文獻標識碼：A 文章編號：2095-1302（2017）05-00-040 引 言元啟發式優化技術非常流行，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算機科學領域及其他科學領域非常有名[1]?；谌后w的群體智能算法已被廣泛接受，并成功應用于求解優化問題中。近年來，出現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。一些生物啟發優化算
物聯網技術 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1和測試函數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進行了數值實驗。并且用該算法求得的測試函數在近似最優解的函數值與R-K4方法進行比較，數值結果分別列在表1和表2中。表1 測試函數1的數值結果從表1和表2的數值結果可以看出，本論文所提出的Admas4隱式算法是有效且可行的。對于測試函數1和測試函數2，當信賴域半徑△<‖B-1g‖2時，除了信賴域半徑在‖B-1g‖2附近的情
太原科技大學學報 2016年5期2016-11-14
- 幾類元啟發式優化算法性能的比較研究*
取20個標準測試函數，統計4種元啟發式優化算法的運行結果.以算法運行的精確度、穩定性作為比較指標分析算法的求解性能，提出了3種比較算法優劣性的方法，總結了3種比較方法的優缺點.優化 螢火蟲算法 布谷鳥算法 蝙蝠算法 和聲搜索算法1 引言元啟發式優化算法［1］，又被稱作現代優化算法或智能優化算法，是一類通用啟發式策略［2］，用來指導傳統啟發式算法朝著可能含有高質量解的搜索空間進行搜索，是人類通過對自然界現象的模擬和生物智能的學習，提出的一類新型的搜索技術.這
數學理論與應用 2016年2期2016-10-20
- 帶勢函數的雙調和不等式組的整體解的不存在性
過選擇合適的測試函數,利用Young不等式、H?lder不等式及Sobolev嵌入定理等,得到解的先驗估計,并應用這一估計證明不等式組的整體解的不存在性.關鍵詞：雙調和; 測試函數; 整體解1問題的提出研究不等式組(1)(3)文獻[1]給出了四階Schr?dinger不等式(4)的先驗估計.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
上海理工大學學報 2016年2期2016-06-02
- 約束二進制二次規劃測試函數的一個構造方法
進制二次規劃測試函數的一個構造方法雍龍泉(陜西理工學院 數學與計算機科學學院， 陜西 漢中 723000)[摘要]基于蓋爾圓定理, 給出了約束二進制二次規劃測試函數的一個構造方法: 對原問題, 通過線性變換, 得到一個新的不定二次規劃, 且該不定二次規劃恰好以給定初始點為最優解; 進而構造出了一系列具有共同最優解的約束二進制二次規劃。[關鍵詞]二進制二次規劃;測試函數;半正定矩陣;蓋爾圓定理非線性整數規劃在經濟、計算機科學、工程技術中有非常重要的應用。 多
陜西理工大學學報(自然科學版) 2015年6期2016-01-25
- 一種高效自學習性回溯搜索優化算法
系數的算法在測試函數F1～F5上的收斂效果比較，可以看到新的變異尺度系數在多峰函數的測試中有較好的收斂效果。圖1 測試函數F1收斂速度對比圖2 測試函數F2收斂速度對比圖圖3 測試函數F3收斂速度對比圖4 測試函數F4收斂速度對比圖5 測試函數F5收斂速度對比2.2 BSA交叉策略的改進實驗表明，單獨使用交叉策略I或者交叉策略II，收斂速度比聯合交叉策略慢得多，聯合交叉策略對BSA良好的收斂效果有較大貢獻。而受到JADE［11］中交叉率產生方式的啟發，在聯
電子科技 2015年2期2015-12-20
- 面向真實世界的測試函數Ⅱ
無約束優化的測試函數。這些函數有一個共同特點，就是全局最優解是已知的。也就是說，讓算法去尋找一個已知具體方位的全局最優解，這在現實世界中是荒唐的。如果某算法聲稱已找到了測試函數全局最優解，別人如何判別它的真實性呢?要想得到正確的答案，只有重現算法程序并運行。然而，重現別人的算法并不是一項輕松的工作。為了解決這一問題，本文構造了面向真實世界的測試函數，它的全局最優解有可能為零或從正向接近零，但全局最優解坐標卻是未知的。如果某算法找到了此類測試函數值為零的具體
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，對給定的測試函數1和測試函數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進行了實驗。并且用該算法求得的相關數值結果與切線單折線法求得的相關數值結果進行了比較。相關數據分別列在表1和表2中，其中△表示信賴域半徑，q表示測試函數的最優解的函數值，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的最優解的函數值之差，該值越小，表明休恩算法越好。測試函數見附錄。從表
太原科技大學學報 2014年2期2014-06-13
- 一種改進的群搜索優化方法*
在23個基準測試函數中，GSO方法取得了15個最佳結果。目前，GSO方法在工程領域已有較多的應用，并在解決分布式電源配置［5］、平面框架結構［6］、彈簧設計和壓力容器設計［7］等問題中也取得了很好的效果。為了進一步提高GSO方法的性能，文獻［5～8］對其進行了改進，并且，這些改進方法的性能在具體問題中或通過部分標準測試函數中進行了驗證。在GSO方法中，發現者的行為是影響收斂速度和精度最重要的因素。本文主要針對發現者的行為進行了改進。最大下降方向策略的加入，
傳感器與微系統 2012年9期2012-10-22
- 基于DSP和VC的網絡通信檢測系統的研究
)，利用音頻測試函數YinPinV(int flag)，根據A律轉線性函數alaw2linear()解碼出來的存放在expand_packet［］數組中的數據計算電壓幅值、調制速率等參數，這里，expand_packet［］是在 arp_broadcast()函數中不斷更新的。具體的DSP程序測試流程示意圖如圖2所示:3 軟件模塊測試函數說明主要對 VC、dsp55x.c、cs8900a.c 三個源文件中包含的測試函數進行相關的描述［4］，及主要函數的流程
山西電子技術 2012年3期2012-05-12
- PHP Unit自動化單元測試技術研究
性。及要求被測試函數具備輸入輸出。（本測試方案未考慮無輸入輸出函數的測試）2）被測函數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應輸出。3）被測還是應該有基本的函數說明，表明函數的功能[1]。2 單元測試管理1）對于某個系統，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代碼布局一一對應。對于某個文件a
電子設計工程 2012年23期2012-01-15
- 基于非支配排序遺傳算法的效果評價及程序測試*
應用四個標準測試函數對英國Glasgow大學軟件工程師陳益提供的外掛工具箱(SGALAB)beta5008中NSGA程序進行可靠性測試，為NSGA的實際應用提供理論依據及可行的程序。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，其基本思路是對所有的個體按不同的層次分級，在執行選擇算子之前，種
中國衛生統計 2011年5期2011-03-11
- 改進非劣分類遺傳算法多目標優化效果評價及程序測試*
本文旨在應用測試函數對NSGA-Ⅱ的效果進行評價，對課題組成員英國Glasgow大學軟件工程師陳益利用Matlab2009a編寫的外掛SGALAB工具箱beta5008進行可靠性測試，為NSGA-Ⅱ的實際應用提供理論依據及可行的程序。NSGA-Ⅱ方法原理改進非劣分類遺傳算法(NSGA-Ⅱ)是在非劣分類遺傳算法(nondominated sorting genetic algorithm，NSGA)的基礎上提出來的，它針對NSGA的三個弊端(計算復雜度較高，
中國衛生統計 2011年6期2011-03-11