1) High dimensional multi-modal function
高维多峰函数
2) multi-dimensional and multi-modal function optimization
高维多峰函数寻优
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) 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。
5) multi-peak function
多峰函数
1.
Aimed at the difficulty in optimizing multi-peak function including constraints,a fixed genetic algorithm is proposed to solve the above optimization problem based on traditional optimization algorithm and conventional genetic algorithm.
针对目前求解含约束条件多峰函数全局优化问题存在的困难,结合传统优化算法和常规遗传算法,提出一种寻求含约束条件多峰函数全局最优解的混合遗传算法。
6) multi-modal function
多峰值函数
1.
This algorithm is used to the application of multi-modal function optimization.
将该算法用于对多峰值函数的寻优,能得到很好的结果;借用遗传算法的积木块假设对该算法的收敛性进行分析,证明了本算法在满足一定前提条件下,能够以趋近于1的概率收敛。
2.
system,multi-modal function optimization algorithm based on artificial immune network is presented and is applied to some typical test functions in this paper.
针对多峰值函数优化中常规方法难以同时搜索出多个极值的问题,借鉴生物免疫系统的相关机理,提出了基于人工免疫网络的多峰值函数优化算法,并在一些典型的测试函数上进行性能测试。
3.
Immune Algorithm is a new optimization algorithm imitating the immune system to solve the multi-modal function optimization problem.
免疫算法是在免疫系统识别多样性的启发下所设计出的一种新的多峰值函数的寻优算法。
补充资料：动力学系统函数寻优
在一组约束条件下,寻找动力学系统的一组函数,使给定的指标达到最优值（极小或极大值）的方法，属于多次运行仿真。动力学系统函数寻优方法有三类：极大值原理法（见极大值原理）、动态规划法(见动态规划)和直接函数寻优法。前两种方法只能处理最优控制问题，即被寻优的函数是以时间为自变量的。
直接函数寻优法是计算机仿真中常用的方法。它的基本思路是先将被寻优的函数表示成一些已知的基函数的代数和，从而将对函数的寻优转变成为对这些代数项的权系数寻优，即变成为参数寻优问题。以一个寻优函数u(x)为例，设u(x)能表示成：
其中lj(x)是定义在[ɑ，b]上的已知标量基函数,αj是可调权系数(参数)。给出一组参数α1，α2，...，αm，便确定一个函数 u(x)。x可以是系统中的状态变量或时间变量。基函数lj(x)可以是阶梯形函数、折线形函数、多点插值函数等。当选定基函数后，函数u(x)的寻优问题便转变成一组参数(α1,α2,...,αm)的寻优问题。如果在系统模型中加入实现上式的函数插值器，则函数的迭代寻优过程与参数寻优类同（见动力学系统参数寻优）。
对于n个函数寻优的情形，有n个相应的上述表达式，也就有n×m个参数寻优。
直接函数寻优法是计算机仿真中常用的方法。它的基本思路是先将被寻优的函数表示成一些已知的基函数的代数和，从而将对函数的寻优转变成为对这些代数项的权系数寻优，即变成为参数寻优问题。以一个寻优函数u(x)为例，设u(x)能表示成：
其中lj(x)是定义在[ɑ，b]上的已知标量基函数,αj是可调权系数(参数)。给出一组参数α1，α2，...，αm，便确定一个函数 u(x)。x可以是系统中的状态变量或时间变量。基函数lj(x)可以是阶梯形函数、折线形函数、多点插值函数等。当选定基函数后，函数u(x)的寻优问题便转变成一组参数(α1,α2,...,αm)的寻优问题。如果在系统模型中加入实现上式的函数插值器，则函数的迭代寻优过程与参数寻优类同（见动力学系统参数寻优）。
对于n个函数寻优的情形，有n个相应的上述表达式，也就有n×m个参数寻优。
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