1) Multi-modal function optimization problem
多模态函数优化问题
2) multi-modal function optimization
多模态函数优化
1.
The testing results of typical multi-modal function optimization showed its good effectiveness.
通过对不同的多模态测试函数进行仿真实验,证明了算法具有较强的多模态函数优化能力。
2.
By simulating the antibody search mechanism,and combining the immune network theory,a new immune learning algorithm for multi-modal function optimization was presented.
典型函数优化测试结果表明,该算法能够较好地实现全局最优解和局部最优解的同步搜索和保持,具有较强的多模态函数优化能力。
3.
A niche ant colony algorithm(NACA) for multi-modal function optimization which bases on principle of ant colony algorithm is devised.
结合蚁群算法基本原理,设计一种解决多模态函数优化问题的小生境蚁群算法(NACA),算法采用实数编码,通过对NACA仿真研究,并和相关算法的仿真结果进行比较分析,结果表明NACA具有参数易于选择、适应性强、收敛性好等优点,非常适合于求解同时具有多个最优解或需要搜寻局部最优解的多模态函数优化。
3) multimodal function optimization
多模态函数优化
1.
Algorithm for multimodal function optimization based on immune evolution mechanism;
基于免疫进化机制的多模态函数优化算法
2.
Study on chaos immune network algorithm for multimodal function optimization;
面向多模态函数优化的混沌免疫网络算法研究
3.
An Adaptive Niche Genetic Algorithm for Multimodal Function Optimization
面向多模态函数优化的自适应小生境遗传算法
4) function optimization problem
函数优化问题
1.
A new algorithm for solving function optimization problem with inequality constraints is proposed.
提出了一种求解不等式约束下的函数优化问题的新算法。
6) Shubert function optimization problem
Shubert函数优化问题
1.
Solving Shubert function optimization problem by using evolutionary algorithm
一种求解Shubert函数优化问题的演化算法
补充资料：函数逼近，函数类的极值问题
函数逼近，函数类的极值问题
ions, extremal problems in function dasses approximation of ftinc-
】f，r，(r’)一f(r，(r‘’)}《M】r’一r“}“(r’，，“。I一1，!])的f任Cr!一1，l]组成的函数类，则对于n一1次代数多项式子空间贝了在!一1，l]上所作的最佳一致逼近，下列关系式成立: 悠二E‘MH。，”‘”)‘一粤，‘6) ，、_一二，二，，，，、~刀、M，二、。，，r，、忽”厂‘““‘M附rH“，贝:’‘一誉{’·‘万一‘’‘““‘，‘7， r=l，2，…，将这些结果与周期情形下的相应结果进行比较是有所裨益的.当，=1时，(6)，(7)的右端分别等于M凡和M人r+1.如果放弃对最佳逼近多项式的要求，那么就可以获得较强的结果，这些结果实质上改善了在!一1，l]端点处的逼近并保持了整个区间上的最佳渐近特征.例如，对任何f6MH‘，存在代数多项式序列Pn以t)任灾矛，使得当n~的时，下列关系式在t6!一1，l]上一致成立:、f(!)一。。，‘)、·:{{;杯}“二‘一，!- =E(MHa，哭聋)。【(l一tZ)a·‘2+o(l)1.对M评百，(r=1，2，…)也有类似的结果(见【川).关于(最佳及插值型)样条逼近给定在区间上函数类的问题，若干精确及渐近精确的结果(主要是对于低阶样条)已公诸于世(见1151). 就(积分度量下的)单边逼近而言，关于上述函数类用多项式和样条进行最佳逼近的误差估计也已得到了一系列精确的结果(见【14]).在推导这些结果的过程中，实质上利用了最佳逼近在锥约束下的对偶关系. 对给定的函数类叨，寻求其(固定维数的)最佳逼近工具将导致确定所谓的宽度(widih)问题，亦即确定(参考(l)，(3)) 心(，之，幻=运fE(叭，贝，)x， 贝即 d沁(叭，X)==运f者(叭，叽、)，， 田阳(其中下确界取自X的所有N维子空间灾N(及其平移))，以及确定实现这些下确界的(最佳)极子空间问题.心与d万的上界可由E(叨，灾)x和g(叭，叭)x分别给出，对于具体的子空间贝，来说，E(绷，灾)x和扩(绷，哭N)x是已知的.宽度问题中的主要困难是获取下确界.在某些场合下，可借助于拓扑中的Borsuk对映定理丈见18』)而得到这些下确界.在用(。一1阶三角多项式)子空间，荔一，或(关于结点人司。亏数为1的。阶样条)子空间s皿解决函数类M吼及周期函数类wrH“的最佳逼近问题时，已知的上确界E(叭，巩、)x几乎在所有的情况下同时也就是这些函数类的心值.此外，对周期函数类还有姚。一1=姚。.特别有(见[7]，【8]，【1 51，【16」)dZ，l(附妥，C)=dZ。(W蕊，C)二dZ。一(W下.L一)= =dZ。
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