约束优化的分布式梯度算法在电力系统负荷分担中的应用

本文研究了约束优化问题的一种新的扩充拉格朗日罚函数。 证明了增广的拉格朗日目标惩罚函数对约束优化问题的双重性质。 在某些条件下，扩展的拉格朗日目标惩罚函数的鞍点满足一阶Karush-Kuhn-Tucker（KKT）条件。 特别是，当KKT条件满足凸编程时，其鞍点存在。 基于增强的拉格朗日客观罚函数，开发了一种求解不等式约束优化问题的全局解的算法，并在一定条件下证明了其全局收敛性。

矩阵乘法的四张量幂问题的基于优势的约束优化进化算法

出了一个全新的混合算法并命名为微粒群差分算法，该算法在标准微粒群算法的基础上结合了差分进化算法用于求解约束的数值和工程优化问题。传统的标准微粒群算法由于其种群单一性容易陷入局部最优值，针对这一缺点利用差分进化算法中的变异、交叉、选择3个算子来更新每次迭代每个粒子新生产的位置以使粒子跳出局部优值。融合了标准微粒群算法和差分进化算法优点的混合算法加速了粒子的收敛速度。为了避免惩罚因子的选择对实验结果的影响，采取了可行规则法来处理约束优化问题。最后将微粒群差分算法用于5个基准函数和两个工程问题，并与其他算法作了比较，试验结果表明，微粒群差分算法算法具有很好的精准性、鲁棒性和有效性。

在过去的几十年中，受自然启发的优化算法因其适用于有效解决具有挑战性的优化问题而引起了研究人员的极大关注。 许多智能系统需要一个优秀的约束优化方案来充当人工智能系统。 人工电场算法（AEFA）是一种智能设计的人工系统，其目的是处理功能优化。 AEFA 的工作原理是库仑静电力定律和牛顿运动定律。 本文通过引入新的速度和位置边界策略扩展了 AEFA 算法以解决约束优化问题。 这些边界导致粒子在问题域内相互交互，并且允许它们单独从问题空间中学习。 它们还通过控制粒子的位置更新来帮助在探索和开发之间取得更好的平衡。 使用 AEFA-C 解决了具有挑战性的 IEEE CEC 2017 约束基准集 28 个问题和 5 个多维非线性结构设计优化问题，测试了所提出方案的有效性和效率。 AEFA-C 的比较研究是使用九种最先进的算法进行的，包括一些 IEEE CEC 2017 竞争对手。 比较研究、统计分析和

约束优化 13个测试函数 matlab

大型n维非线性无约束优化共轭梯度FR代码matlab

针对约束优化问题，提出一种自适应人工蜂群算法。算法采用反学习初始化方法使初始种群均匀分布于搜索空间。为了平衡搜索过程中可行个体和不可行个体的数量，算法使用自适应选择策略。在跟随蜂阶段，采用最优引导搜索方程来增强算法的开采能力。通过对13个标准测试问题进行实验并与其他算法比较，发现自适应人工蜂群算法具有较强的寻优能力和较好的稳定性。

求解无约束优化问题的算法研究.pdf

《实用最优化方法》上机作业，用C语言编写采用BFGS变尺度算法求解无约束优化问题。