變測度的積分—水平集確定性算法.pdf_第1頁
已閱讀1頁,還剩52頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、在科學、經(jīng)濟和工程中,許多最新的發(fā)展依賴于計算相應(yīng)的優(yōu)化問題的全局最優(yōu)解的數(shù)值技術(shù)。全局最優(yōu)化問題的來源是相當廣泛的,包括經(jīng)濟建模、固定費用、金融、網(wǎng)絡(luò)和運輸、數(shù)據(jù)庫和芯片設(shè)計、圖像處理、化學工程設(shè)計與控制、分子生物學、環(huán)境工程及軍事科學等等。早在20世紀60年代,就有人開始研究全局優(yōu)化問題,主要集中于線性規(guī)劃和非線性規(guī)劃局部化數(shù)值算法方面的研究,經(jīng)過40多年的發(fā)展,全局優(yōu)化已經(jīng)成長為最優(yōu)化學科領(lǐng)域中一個獨立的學科分支,成為人們研究實際

2、問題時進行建模和分析的重要手段之一。 通常一個全局最優(yōu)化問題可表述為:對于給定的一個n維空間的緊集D()Rn,及給定的連續(xù)函數(shù)f:Rn→R1上,尋找某一點x*∈D,使得對于一切的x∈D,滿足f(x*)≤f(x)。即求下列問題的解: globminx∈Df(x)或考慮求解更一般問題的解: globminx∈Sf(x)其中S是一個n維歐氏空間的約束集,S={x|gi(x)≤0,i=1,2…,r}且S()Rn,gi(x

3、),i=1,2,…,m.為連續(xù)函數(shù)。 本文對鄭權(quán)、張連生、鄔冬華等教授提出的有關(guān)積分型求總極值的方法作了認真細致的學習和研究。鄭權(quán)等1978年提出了求總極值的積分-水平集方法,主要特點有判別總極值的收斂準則,且僅需假設(shè)目標函數(shù)與約束函數(shù)為連續(xù)的,是現(xiàn)有少量具有特色的求全局優(yōu)化方法之一。但其概念算法與Monte-Carlo隨機投點的實現(xiàn)算法不匹配,易遺失總極值外,其實現(xiàn)算法收斂性至今未解決。1995年張連生教授等提出了離散均值-水

4、平集算法,并證明了其算法的收斂性。接著,鄔冬華等又給出了基于鄭權(quán)的概念性算法,構(gòu)造與概念算法較為吻合的修正算法,并用數(shù)論方法進行數(shù)值計算,得到了實現(xiàn)算法的收斂性。 在他們工作的基礎(chǔ)上,本文提出了一個變測度的積分水平集的確定性算法,對不同的箱子采用不同的測度,結(jié)合確定性數(shù)論方法選取一致分布佳點集來代替Monte-Carlo隨機投點,使水平值充分地下降,更快地到達全局最小,從而提高算法的計算效率,并給出了算法的收斂性證明。此外,還對

5、帶有約束條件的全局優(yōu)化問題作了進一步的研究,給出相應(yīng)的有約束的變測度積分-水平集算法,利用罰函數(shù)方法來處理有約束問題,將有約束問題轉(zhuǎn)化為無約束問題,證明了理論算法和實現(xiàn)算法的收斂性并通過數(shù)值算例驗證了算法的有效性。 本文共有四章組成,第一章對全局優(yōu)化問題的目前發(fā)展狀況以及比較流行的全局最優(yōu)化方法作了簡單的介紹。第二章引入了我們證明中所需要的數(shù)論中的主要結(jié)果。第三章提出了變測度的積分——水平集確定性算法,并證明了此算法的收斂性。第

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論