1) elution curve function
流出峰函数
2) unimodal function
单峰函数
1.
An acceleration technique of evolutionary strategy is presented for finding an optimal solution of unimodal functions.
针对单峰函数的最优化问题 ,给出一个快速收敛的进化策略 。
2.
In this paper,some aufficient conditions of existence of periodic orbits of the typeBC* L￣∞in unimodal functions with kneading sequences BC are given.
本文给出了捏制序列为ＢＣ的单峰函数具有ＢＣ＊Ｌ￣∞型周期轨道的几个充分条件。
3) multimodal function
多峰函数
1.
Particle swarm optimization (PSO) algorithm is easy to be trapped into local minima and has low searching efficiency in optimizing multimodal function.
在每个小生境中对粒子的速度位置进行更新,从而改变小生境的中心和半径,直到满足迭代次数,从而保持了微粒群的多样性,通过一个经典函数进行仿真表明,这种把粒子群和小生境结合起来的算法,能快速有效地找到多峰函数的全局最优点。
2.
A niche genetic algorithm based on the mechanism of eliminating the similar structures was studied,as it is hard to find all the optimum solutions when using simple genetic algorithm to solve multimodal functions.
针对基本遗传算法在求解多峰函数时很难找到全部最优解的问题,研究了基于淘汰相似结构机制的小生境遗传算法。
3.
The traditional evolutionary algorithm with a fixed size population is not suitable especially for solving multimodal function optimization because it s impossible to know the number of solution in advance and hence it s difficult to specify a suitable size of population.
指出了现有的演化算法框架都是群体固定的演化迭代过程 ,对求解多峰函数优化问题时由于无法事先得知峰值点的个数而很难确定合适的群体大小 ,影响了算法的效率 。
4) Mountain function
山峰函数
1.
Firstly,the grid is built in the data space,then a mountain function denoting the density of data is made,and lastly,the operation of razing out the mountains orderly to find clustering centers is replaced by NichePSO algorithm.
将山峰聚类法和小生境微粒群算法结合,构建一种基于小生境微粒群算法的山峰聚类法:首先在数据空间上构造网格,进而构造出表示数据密度指标的山峰函数,然后将山峰聚类方法中通过顺序地削去山峰函数来选择聚类中心这一步用小生境微粒群算法代替,通过执行小生境微粒群算法对山峰函数进行多峰函数寻优,找到山峰函数的每一个峰,即可确定聚类中心的个数和每一个聚类中心位置。
5) multi-modal function
多峰函数
1.
A mixed evolutionary algorithm consisting of global and local search to solve multi-modal function optimization problem;
一种求解多峰函数优化问题的全局与局部搜索相结合的演化算法(英文)
2.
It is proved that this proposed algorithm outperforms the two algorithms proviously referenced and has better results for multi-modal functions in particular.
该算法比上述两种算法具有更好的性能,特别是对多峰函数优化等问题计算效果更好。
3.
In solving complex reality optimization problems, we often meet function optimization problem with many extreme values, namely multi-modal function optimization problem.
在解决复杂的实际优化问题时,经常会遇到具有多个极值的函数优化问题,这类问题被称为多峰函数的优化问题。
6) the BINEEDLE fitness function
双峰函数
1.
By analyzing the infinite population dynamical system using the gene pool GA and the BINEEDLE fitness function,we characterize the analytic relation between the fall of local optima and the fixed points in the infinite population dynamical system of the gene pool CA.
为了弄清楚这种影响机制,通过分析基因池遗传算法的无限种群动力系统,刻画了双峰函数局部极值解的适值差与系统不动点之间的解析关系,进一步分析推广了理论结果的适用范围。
补充资料：高斯函数模拟斯莱特函数
尽管斯莱特函数作为基函数在原子和分子的自洽场（SCF）计算中表现良好，但在较大分子的SCF计算中，多中心双电子积分计算极为复杂和耗时。使用高斯函数(GTO)则可使计算大大简化,但高斯函数远不如斯莱特函数(STO)更接近原子轨道的真实图象。为了兼具两者之优点，避两者之短,考虑到高斯函数是完备函数集合,可将STO向GTO展开：
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
式中X(ζS,A,nS,l,m)定义为在核A上，轨道指数为ζS，量子数为nS、l、m 的STO；g是GTO：
其变量与STO有相似的定义；Ngi是归一化常数：
rA是空间点相对于核A的距离;ci是组合系数；K是用以模拟STO的GTO个数（理论上，K→∞，但实践证明K只要取几个，便有很好的精确度）。
ci和ζ在固定K值下, 通过对原子或分子的 SCF能量计算加以优化。先优化出 ζS＝1 时固定K值的ci和(i＝1,2,...,K)，然后利用标度关系式便可得出ζS的STO展开式中每一个GTO的轨道指数，而且，ci不依赖于ζS,因而ζS＝1时的展开系数就是具有任意ζS的STO的展开系数。对不同展开长度下的展开系数和 GTO轨道指数已有表可查。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条