论文部分内容阅读
对于一些简单的优化问题,可以用传统的优化算法,如最速下降法、牛顿法、共轭梯度法等进行求解。但是随着越来越多复杂优化问题的出现,传统的算法已经不足以解决这些问题。在近几十年来,随着计算机技术的发展,人们相继提出了很多智能优化算法来解决这些高维的、非线性、不可导的优化问题,如粒子群算法、遗传算法、模拟退火算法、差分进化算法等。任何一种算法都需要一个不断改进的过程,这样才能解决各种各样的实际问题。因此在已有算法的基础上,改进算法以及新算法的提出都很重要。 基于炸弹或烟花爆炸时的景象提出的爆炸搜索算法、基于云的一些自然现象而提出的云搜索优化算法是两种较为新颖的全局优化算法,为了提高算法的局部搜索能力,可以在这两种新型的智能优化算法中加入一种传统算法—共轭梯度法。考虑到在一些优化问题中目标函数的导数无法求出,因此在引入共轭梯度法的过程中,用差商来代替常用的导数,将此方法称为近似共轭梯度法。在此基础上,提出了两种带共轭梯度算子的新型智能优化算法,即带共轭梯度算子的爆炸搜索算法和带共轭梯度算子的云搜索优化算法。具体来说,带共轭梯度算子的爆炸搜索算法是在爆炸搜索算法的基础上对原有变异算子进行改进来提高全局搜索能力,添加一个新的算子—共轭梯度算子来提高最优炸点的搜索能力。带共轭梯度算子的云搜索优化算法通过对最优水滴实施近似共轭梯度法来提高算法精度。对一些常用benchmark测试函数的实验结果表明,改进后的爆炸搜索算法性能明显优于原爆炸搜索算法,改进后的云搜索优化算法性能也优于原算法,尤其是对于单峰测试函数。