CN103984675A - 一种求解全局优化问题的正交逐次逼近方法 - Google Patents
一种求解全局优化问题的正交逐次逼近方法 Download PDFInfo
- Publication number
- CN103984675A CN103984675A CN201410191150.5A CN201410191150A CN103984675A CN 103984675 A CN103984675 A CN 103984675A CN 201410191150 A CN201410191150 A CN 201410191150A CN 103984675 A CN103984675 A CN 103984675A
- Authority
- CN
- China
- Prior art keywords
- orthogonal
- overbar
- successive approximation
- search
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title abstract description 9
- 238000013459 approach Methods 0.000 claims description 10
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000013401 experimental design Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于正交试验设计和变尺度邻域搜索的正交逐次逼近方法,包括以下步骤:设置初始化参数,由所求问题维度和离散水平数选择合适的正交表;由初始点x0出发在可行域内开展正交试验,采用惩罚函数法评估计算各试验方案;从试验方案中选择新的迭代点,若x1优于x0,则令x0=x1,同时扩大搜索步长增强全局搜索,否则缩小搜索空间加强局部寻优;重复上述步骤,反复迭代,逐次逼近全局最优解,直至满足收敛条件。本发明提出一种求解全局优化问题的正交逐次逼近方法,具有原理简单、计算参数少、收敛速度快等优点,可快速获取全局优化问题的最优解或其近似解。
Description
技术领域
本发明涉及一种把正交试验和邻域搜索相结合求解全局优化问题的正交逐次逼近方法,属于优化方法领域。
技术背景
全局优化问题是一类具有广泛工程应用背景的规划问题,其描述如下:
min f(x) (1)
s.t.gi(x)≤0,i=1,2,…,m (2)
hj(x)=0,j=1,2,…,p (3)
其中x=(x1,…,xk,…,xn)T;用S表示可行域,即
S={x|gi(x)≤0;hj(x)=0} (5)
实际工程问题通常包含复杂的约束条件,目标函数一般具有非线性、不连续、不可微等特点,无法获取其导数或梯度信息,难以直接利用基于梯度的传统优化方法进行求解。进化算法(如遗传算法、粒子群算法等)仅利用适应度函数信息,无需计算方向导数或对梯度进行有限差分近似,具有方法简单、鲁棒性强、适用范围广等特点,被广泛用于求解全局优化问题,但是存在早熟收敛、易陷入局部最优等问题,因此迫切需要开展新型高效优化方法。
发明内容
为实现快速获得全局优化问题的最优解,避免陷入局部最优,本发明提出一种求解全局优化问题的正交逐次逼近方法。
本发明的一种求解全局优化问题的正交逐次逼近方法,步骤为:
步骤1:设定初始点初始搜索步长终止精度ξ,邻域离散水平数t,扩张因子a1(a1≥1)、压缩因子a2(0<a2<1)及最大迭代次数I等计算参数。置计数器I=1。
步骤2:由离散水平数t及维度n选择相应正交表。
步骤3:根据正交表构造以x0为中心的正交方案,并检查各因素水平是否越限,若越限则取为边界值。
构造公式如下:
其中为因素i的r水平相应取值;表示不大于x的最大整数;分别为因素i的上限与下限。
步骤4:利用惩罚函数法计算各试验方案指标值,并从中选择较优方案x1,然后采用极差分析法统计获取较优解x',若F(x')<F(x1),则令x1=x'。
其中Mi为第i项不等式约束惩罚系数;Cj为第j项等式约束惩罚系数。
步骤5:若F(x1)≤F(x0),则令x0=x1,同时增大步长,h0=a1×h0,转至步骤3;否则缩小步长h0=a2×h0,转至步骤6。
步骤6:I=I+1。
步骤7:若或则转至步骤8;否则转步骤3。
步骤8:停止计算,输出最优解x*=x0。
本发明具有突出的有益效果:正交逐次逼近方法具有操作简便、计算参数少、占用内存少、收敛速度快等优点,该发明将全局优化问题的求解视为在可行域内反复开展正交试验,采用惩罚函数法计算目标函数并将其视为试验指标,可行域S视为试验区域,n维变量视为n项试验因素,各变量在其邻域范围内均取相同离散数目。根据函数维度和离散数目选取相应正交表并依此开展正交试验,若搜索到较优点则扩大步长增强全局搜索,否则缩小步长加强局部搜索,反复迭代,逐次逼近全局最优解。
附图说明
图1为正交逐次逼近方法流程图。
图2为邻域全面搜索示意图。
图3为邻域正交搜索示意图。
图2和图3分别为3维3离散水平在邻域范围内的全面试验与正交试验示意,其中正交试验选用正交表,立方体由初始点x=(x1,x2,x3)为中心、各维离散步长为1/2边长构造得到,各顶点分别代表一种试验方案,显然全面试验需开展33=27次试验,而正交试验只需9次试验,且在不同交线、平面上数目相同,方案分布均衡。由此可知,本发明在邻域范围内开展正交试验,可有效选取“均衡分散,整齐可比”的“试验点”进行计算。
具体实施方式
为评估本发明性能,选取文献1:Leung Y W,Wang Y.An orthogonal genetic algorithm withquantization for global numerical optimization[J].Evolutionary Computation,IEEE Transactions on,2001,5(1):41-53,选中的14个高维Benchmark函数作为测试集,其中函数f1~f8和f10~f14的维度均为30,f7~f9的维度为100;函数f1~f8为多峰函数,均有多个局部最优解,f7含有高达100!=9.33×10157个局部极值点,搜索过程极易陷入局部最优,可有效检验方法的全局优化性能和多峰搜索能力。
表4列出本发明与文献[1]中OGA/Q分别运行50次的平均函数评价次数,最优平均值和标准差,其中OGA/Q数据参见文献1。
可以看出,本发明方法均能搜索到各函数的全局最优解或其近似解,在复杂高维函数优化求解中显示出良好的全局收敛性能。其中,本发明在函数f1~f2和f4~f6的最优平均值、平均函数评价次数、标准差方面明显优于OGA/Q;对函数f7~f9,本发明的平均函数评价次数虽然较高,但解的质量和稳定性显著优于OGA/Q;对函数f3和f11~f12,本发明的计算结果接近全局最优解,同时平均函数评价次数明显少于OGA/Q;对函数f10和f13~f14,本发明在解的质量和标准差方面略差于OGA/Q,但已经十分接近全局最优解。由此可知,本发明是一种高效优化方法,对全局优化问题的求解具有良好的搜索效率和计算精度。
其中,
f14=max{|xi|,i=1,2,…,N},-100≤xi≤100
表1表3本发明、OGA/Q[1]运行50次计算结果比较.
数值试验表明,正交逐次逼近方法具有原理简单、计算参数少、收敛速度快等优点,是一种求解全局优化问题的高效方法。
本发明的具体实施方式在各方面应被视为例示性而非限制性实施例,所有的改变只要合乎本发明权利要求书所定义的范围或为其技术实施方式等效者,均应包含在本发明的保护范畴中。
Claims (1)
1.一种求解全局优化问题的正交逐次逼近方法,其特征包括如下步骤,
步骤1:设定初始点初始搜索步长终止精度ξ,邻域离散水平数t,扩张因子a1(a1≥1)、压缩因子a2(0<a2<1)及最大迭代次数置计数器I=1;
步骤2:由离散水平数t及维度n选择相应正交表;
步骤3:根据正交表构造以x0为中心的正交方案,并检查各因素水平是否越限,若越限则取为边界值;
构造公式如下:
其中为因素i的r水平相应取值;表示不大于x的最大整数;分别为因素i的上限与下限;
步骤4:利用惩罚函数法计算各试验方案指标值,并从中选择较优方案x1,然后采用极差分析法统计获取较优解x',若F(x')<F(x1),则令x1=x';
其中Mi为第i项不等式约束惩罚系数;Cj为第j项等式约束惩罚系数;
步骤5:若F(x1)≤F(x0),则令x0=x1,同时增大步长,h0=a1×h0,转至步骤3;否则缩小步长h0=a2×h0,转至步骤6;
步骤6:I=I+1;
步骤7:若或则转至步骤8;否则转步骤3;
步骤8:停止计算,输出最优解x*=x0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410191150.5A CN103984675A (zh) | 2014-05-06 | 2014-05-06 | 一种求解全局优化问题的正交逐次逼近方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410191150.5A CN103984675A (zh) | 2014-05-06 | 2014-05-06 | 一种求解全局优化问题的正交逐次逼近方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103984675A true CN103984675A (zh) | 2014-08-13 |
Family
ID=51276652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410191150.5A Pending CN103984675A (zh) | 2014-05-06 | 2014-05-06 | 一种求解全局优化问题的正交逐次逼近方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103984675A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166887A (zh) * | 2014-08-21 | 2014-11-26 | 大连理工大学 | 一种梯级水电站群联合优化调度的正交离散微分动态规划方法 |
CN107636639A (zh) * | 2015-09-24 | 2018-01-26 | 谷歌有限责任公司 | 快速的正交投影 |
CN107704678A (zh) * | 2017-09-29 | 2018-02-16 | 天津师范大学 | 一种扫描和缩放循环迭代的优化方法 |
CN113313349A (zh) * | 2021-04-20 | 2021-08-27 | 合肥工业大学 | 卫星任务资源匹配优化方法、装置、存储介质和电子设备 |
-
2014
- 2014-05-06 CN CN201410191150.5A patent/CN103984675A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166887A (zh) * | 2014-08-21 | 2014-11-26 | 大连理工大学 | 一种梯级水电站群联合优化调度的正交离散微分动态规划方法 |
CN104166887B (zh) * | 2014-08-21 | 2017-04-12 | 大连理工大学 | 一种梯级水电站群联合优化调度的正交离散微分动态规划方法 |
CN107636639A (zh) * | 2015-09-24 | 2018-01-26 | 谷歌有限责任公司 | 快速的正交投影 |
CN107704678A (zh) * | 2017-09-29 | 2018-02-16 | 天津师范大学 | 一种扫描和缩放循环迭代的优化方法 |
CN107704678B (zh) * | 2017-09-29 | 2022-03-15 | 天津师范大学 | 一种脉冲成形滤波器的滚降系数的最优选择方法 |
CN113313349A (zh) * | 2021-04-20 | 2021-08-27 | 合肥工业大学 | 卫星任务资源匹配优化方法、装置、存储介质和电子设备 |
CN113313349B (zh) * | 2021-04-20 | 2022-09-23 | 合肥工业大学 | 卫星任务资源匹配优化方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103984675A (zh) | 一种求解全局优化问题的正交逐次逼近方法 | |
CN105389590A (zh) | 一种视频聚类推荐方法和装置 | |
US9328719B2 (en) | Method of calculating available output power of wind farm | |
de Vries et al. | Solution of the time-dependent Schrödinger equation for two-dimensional spin-1/2 Heisenberg systems | |
CN103714154A (zh) | 一种确定最佳聚类数的方法 | |
US10209403B2 (en) | Method of modelling a subsurface volume | |
CN104951805A (zh) | 基于类间可分性的完全二叉树svm多分类方法 | |
CN105138527A (zh) | 一种数据分类回归方法及装置 | |
US20150161231A1 (en) | Data sampling method and data sampling device | |
Szénási et al. | Clustering algorithm in order to find accident black spots identified by GPS coordinates | |
CN106294447A (zh) | 一种基于双聚类填充的协同过滤方法 | |
Jacquet et al. | Counting Markov types, balanced matrices, and Eulerian graphs | |
CN104462020A (zh) | 一种基于知识粒度的矩阵增量约简方法 | |
Kabluchko | Distribution of levels in high-dimensional random landscapes | |
CN103970610A (zh) | 一种供水管网中节点流量的监控方法 | |
CN104036024B (zh) | 一种基于GACUC和Delaunay三角网的空间聚类方法 | |
Chang et al. | A comparative study of stochastic collocation methods for flow in spatially correlated random fields | |
CN104156268A (zh) | 一种GPU上MapReduce负载分配和线程结构优化方法 | |
CN104317861A (zh) | 一种基于互信息的区间数据的属性选择方法 | |
Ercolani et al. | Non-recursive counts of graphs on surfaces | |
Hiltebrand et al. | Efficient preconditioners for a shock capturing space-time discontinuous Galerkin method for systems of conservation laws | |
Nielsen | Lecture notes on phase–type distributions for 02407 Stochastic Processes | |
Manika | Application of the Compound Matrix Theory for the computation of Lyapunov Exponents of autonomous Hamiltonian systems | |
Kaushik et al. | A Survey on Optimization Approaches to K-Means Clustering using Simulated Annealing | |
Peng et al. | Watch Your Data Structures! |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140813 |