非线性约束优化的算法分析

doi:10.3778/j.issn.1002-8331.2009.19.061

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (19): 198-200.DOI: 10.3778/j.issn.1002-8331.2009.19.061

非线性约束优化的算法分析

郭庆军^1,2,李慧民¹,赛云秀^1,2

1.西安建筑科技大学土木工程学院，西安 710055
2.西安工业大学建筑工程系，西安 710032

收稿日期:2008-09-26 修回日期:2008-11-17 出版日期:2009-07-01 发布日期:2009-07-01
通讯作者: 郭庆军

Approach to solve nonlinear constrained optimization problems

GUO Qing-jun^1,2,LI Hui-min¹,SAI Yun-xiu^1,2

1.School of Civil Engineering，Xi’an University of Architecture and Technology，Xi’an 710055，China
2.Department of Civil Engineering，Xi’an Technological University，Xi’an 710032，China

Received:2008-09-26 Revised:2008-11-17 Online:2009-07-01 Published:2009-07-01
Contact: GUO Qing-jun

摘要/Abstract

摘要： 针对非线性约束优化问题，运用了一种新的智能优化算法——社会认知优化算法。社会认知优化算法是一种基于社会认知理论的集群智能优化算法，它对目标函数的解析性质没有要求，适合于大规模约束问题处理的优点，使搜索不容易陷入局部最优。将该算法引入非线性约束问题，解决优化问题。通过实例和其他算法进行比较，对比数值实验结果表明，即使只有一个学习主体，该算法能够高效、稳定地得到解决方案，便于求解非线性约束优化问题。

关键词: 社会认知算法, 非线性约束优化, 智能优化算法, 社会认知理论

Abstract: This paper presents a new evolutionary algorithm for solving nonlinear constrained optimization problems based on Social Cognitive Optimization（SCO）.The SCO is a simple behavioral model based on human social cognition，it shows that it can get high quality solutions efficiently，even only one learning agent，which may be conveniently employed to execute random and global search.The SCO method is employed to conduct nonlinear constrained optimization problems.The experiments by comparing SCO with other algorithms on some functions show that it can get high quality solutions efficiently，even by only one learning agent.

Key words: Social Cognitive Optimization（SCO）, nonlinear constrained optimization, intelligent optimization algorithm, social cognitive theory

郭庆军^1,2,李慧民¹,赛云秀^1,2. 非线性约束优化的算法分析[J]. 计算机工程与应用, 2009, 45(19): 198-200.

GUO Qing-jun^1,2,LI Hui-min¹,SAI Yun-xiu^1,2. Approach to solve nonlinear constrained optimization problems[J]. Computer Engineering and Applications, 2009, 45(19): 198-200.

[1]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[2]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[3]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[4]	李雅丽，王淑琴，陈倩茹，王小钢. 若干新型群智能优化算法的对比研究[J]. 计算机工程与应用, 2020, 56(22): 1-12.
[5]	于巧玉，吴耀华，王艳艳. 跨层穿梭车双提升机系统料箱拣选任务调度[J]. 计算机工程与应用, 2020, 56(20): 270-278.
[6]	陈瑶，陈思. 动态权重的蝙蝠算法在图像分割中的应用研究[J]. 计算机工程与应用, 2020, 56(14): 207-215.
[7]	戴丽，罗廷芳，李杨，李明. 基于改进细菌菌落优化算法的PID参数整定[J]. 计算机工程与应用, 2019, 55(24): 241-246.
[8]	薛猛，姜淑娟，王荣存. 基于智能优化算法的测试数据生成综述[J]. 计算机工程与应用, 2018, 54(17): 16-23.
[9]	李会荣，乔希民，赵鹏军. 融合差分变异的教-学优化算法[J]. 计算机工程与应用, 2016, 52(5): 36-40.
[10]	张国辉1，聂黎2，张利平3. 生物地理学优化算法理论及其应用研究综述[J]. 计算机工程与应用, 2015, 51(3): 12-17.
[11]	刘国志，苗晨. 基于社会认知算法的非线性控制系统参数估计[J]. 计算机工程与应用, 2011, 47(35): 222-223.
[12]	李会荣. 非线性约束优化问题的自适应差分进化算法[J]. 计算机工程与应用, 2011, 47(25): 44-48.
[13]	刘淳安. 一类动态非线性约束优化问题的新解法[J]. 计算机工程与应用, 2011, 47(22): 61-63.
[14]	雍龙泉¹，孙培民²，张建科³. 一类非线性极大极小问题的极大熵社会认知算法[J]. 计算机工程与应用, 2010, 46(26): 36-37.
[15]	孙家泽¹，王曙燕¹，张建科²，曹小鹏¹. 求解非线性互补问题的熵函数认知优化算法[J]. 计算机工程与应用, 2010, 46(21): 40-42.

非线性约束优化的算法分析

Approach to solve nonlinear constrained optimization problems

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics