1) Discrete simplex crossover operator
离散单纯形交叉算子
2) simplex crossover operator
单纯形交叉算子
1.
In detail,by analyzing Neld Meld Simplex algorithm,the authors propose simplex crossover operator and K-step random simplex search operator,and respectively fuse Neld Mead Simplex algorithm and above two novel operators into the best population μP(t),the worst population μP(t) and a common population P(t) in a genetic algorithm in order to construct algorithm SM-HGA.
分析单纯形搜索算法,提出了单纯形交叉算子和K步随机单纯形搜索算子,并将单纯形搜索算法和这两个算子分别融入到最优微群体μPB(t)、最差微群体μPW(t)和普通群体PC(t),形成SM-HGA+。
3) simplex crossover direction operator
单纯形交叉方向算子
1.
Propose simplex crossover direction operator and three concepts of the best niche,worse niche and the worst niche.
然后提出单纯形交叉方向算子和最优小生境、次差小生境与最差小生境3个概念。
4) discrete crossover operator
离散交叉算子
1.
Thus,the discrete crossover operator and discrete mutation operator were proposed to make the genetic operator search in discrete space.
结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。
5) circular-based crossover operator
环形交叉算子
1.
In this paper,circular-based crossover operator and circular-based mutation operator are adopted in the proposed adaptive genetic algorithm.
提出了一种基于环形交叉算子和环形变异算子的自适应遗传算法,并将改进的自适应遗传算法和IBL启发式布局算法相结合,有效地解决了矩形排样优化问题。
6) simplex acceleration operator
单纯形加速算子
1.
Because the basic differential evolution algorithm becomes slower in the vicinity of the global optimum with low accuracy,a simplex acceleration operator is introduced to expedite the convergence speed of the algorithm.
为了克服基本差分进化算法在全局最优点附近搜索速度较慢、精度较低的缺点,引入单纯形加速算子以提高算法收敛速度,而针对算法易过早收敛的缺点引入混沌迁移算子,以提高算法种群多样度,增强算法跳出局部最优解的能力。
补充资料：超改进控制加权形心单纯形法
分子式：
CAS号：
性质：结合了超改进单纯形法与控制形心单纯形法两者的优点而产生的一种单纯形优化方法。由除响应值最差的顶点w以外的其余各单纯形顶点的响应值计算加权形心点pw，引入控制参数γ调节加权形心点的位置，确定w的反射点pγ，以保证单纯形沿逼近梯度的方向推移。在确定的推移方向上，根据顶点w、加权形心点pw。和反射点pγ的响应值用二次曲线拟合求导，决定单纯形的新顶点，以保证新顶点在该推移方向上是最优的，从而加快了优化速度。
CAS号：
性质：结合了超改进单纯形法与控制形心单纯形法两者的优点而产生的一种单纯形优化方法。由除响应值最差的顶点w以外的其余各单纯形顶点的响应值计算加权形心点pw，引入控制参数γ调节加权形心点的位置，确定w的反射点pγ，以保证单纯形沿逼近梯度的方向推移。在确定的推移方向上，根据顶点w、加权形心点pw。和反射点pγ的响应值用二次曲线拟合求导，决定单纯形的新顶点，以保证新顶点在该推移方向上是最优的，从而加快了优化速度。
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