全局优化的多少随机性算法.pdf

摘 要 在求解实际问题时，一般建立的数学模型要么维数高，要么没有好的解 析性质或解析性质难以获知，因此确定性全局优化算法很难或不能求解这些问 题．当问题的规模增大时，其局部最优解的个数一般会急剧增加．从成千上万 个局部最优解中找出全局最优解是极有挑战性的事情．随着以遗传算法为代表 的随机性优化算法的出现，确定性算法中存在的困难问题得到很好的解决．这 些随机性算法一般起源于对自然现象或社会行为的模拟，可以很好地解决高 维、多态、噪声、不可微等问题．其最大的特点是对优化函数的解析性质要求 很低，甚至可以没有显式的解析表达式．然而，由于随机技术的使用、理论研 究的落后，因此设计高效求解高维困难复杂问题的鲁棒算法成为一个重要的研 究课题． 本文以无约束全局优化问题为研究对象，以提高算法的通用性、高效性和 鲁棒性为主要目标，提出了几种求解全局优化问题的随机性算法．主要工作如 下： (1)借鉴确定性算法的优点，设计了两类混合遗传算法．一是利用遗传算法 繁殖算子的随机性和信赖域方法求解二次优化问题的高效性，提出了一种信赖 域遗传算法．算法能够克服信赖域方法的缺点，同时能够有效求解一类欺骗性 问题．通过数值试验说明了算法的有效性；二是针对传统区间优化算法求解高 维问题耗时