人工智能-带惩罚项的BP神经网络训练算法的收敛性.pdf

人工智能-带动量项的BP神经网络收敛性分析.pdf

人工智能-带自适应步长神经网络学习算法的收敛性分析.pdf

科学计算方法9(迭代法收敛性证明).ppt

0计算方法及MATLAB实现简明讲义课件PPS6-2迭代法收敛性.pps

针对从自然界中杂草的生长繁殖特性演化而来的新型智能优化算法―扩张性杂草进化算法,通过马尔可夫链,分析证明了它的全局收敛性。相比其他启发式算法,其最大优点是基于种群中优秀的个体有指导地进行搜索,且算法中子代个体按正态分布的方式分布于父代个体周围,在进化过程中通过动态调整此正态分布的标准差,使算法在早期与中期充分保持群落的多样性,较其他启发式算法更容易保证对解空间的全面搜索。而在算法的后期加强对优秀个体周围的局部搜索,从而保证算法能够稳健地收敛到全局最优解。典型的复杂机械优化设计算例结果表明,该算法在优化过程

分析了粒子群优化算法的收敛性,指出它在满足收敛性的前提下种群多样性趋于减小, 粒子将会因速度降低而失去继续搜索可行解的能力;提出混沌粒子群优化算法, 该算法在满足收敛性的条件下利用混沌特性提高种群的多样性和粒子搜索的遍历性, 将混沌状态引入到优化变量使粒子获得持续搜索的能力.实验结果表明混沌粒子群优化算法是有效的,与粒子群优化算法、遗传算法、模拟退火相比,特别是针对高维、多模态函数优化问题取得了明显改善.

自抗扰控制思想、应用及理论分析，包括微分跟踪器、扩张状态观测器、及反馈控制律的介绍和实例应用。

有关蚁群优化算法收敛性分析的研究还很少,不利于进一步改进其算法.为此, 较详细地分析了用蚁群优化算法求解TSP问题的收敛性,证明了当0

内罚函数法(收敛性) 关于内罚函数法,有类似于外罚函数法的收敛性结论. 引理4.2.3 对于由SUMT内点法产生的点列{xk},总有B(xk+1,rk+1)≤B(xk,rk). 定理4.2.4 设可行域内点集D0={x∈Rn|ci(x)>0,i∈I}非空,f(x)在D上存在整体极小点x*,对于严格单调递减正数序列{rk}, rk+1 < rk ,且rk→0,则由SUMT内点法产生的点列{xk}的任何聚点必是不等式约束优化问题的整体最优解.