1) optimization of multivariable function
多变量函数优化
2) multivariable function
多变量函数
1.
This article discusses integral calculation of odd and even function from differential calculus of univariate function and multivariable function,and demostrats the author’s view by some concrete examples.
本文从单变量函数和多变量函数微分学两个方面分别探讨了奇偶函数的积分计算,并结合具体实例进一步论证了自己的观点。
3) multi-variable optimization
多变量优化
1.
In addition,the concept of third carrier wave is put forward and is put into practice,to tackle the multi-variable optimization p.
另外,针对多变量优化最后几个变量精度较差的问题,提出了三次载波的概念并付诸实现。
4) multi-goal optimizing function
多目标优化函数
5) 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。
补充资料：极小化方法(强依赖于多个变量的函数的)
极小化方法(强依赖于多个变量的函数的)
lion methods for functions depending strongly on a few variables
则数r称为函数J(x)在x‘G的谷维数(di~ionof the valley)(见[l」). 描述J(x)的下降轨道的微分方程组 d义 嚣一J’(x)，‘(0)一‘。，(3)是一个刚性微分方程组(s叮山晚肥爪阁s势记m). 特别地，当J(x)是严格凸的且其He资℃矩阵是正定的(它的本征值是严格正的)时候，不等式(l)与熟知的场翔e矩阵的病态要求: n笼以」(x、 人{J‘IX))=—二戈>l rnln又八x)一致.在这情况下谱条件数与山谷的陡度相同. 坐标方式的下降法(coo攻垃扭te一~d留eent ITrth-ed)(见[ZJ)J(x:，*+:，“‘，x‘一，.*十，，x.，*+，，x‘+1.*，…，x。.*)一塑J(x，，*+:，‘”，x卜1，*，y，x‘+:，*，“’，xo.*)， k=0，1，…，(4)不管其简单性和普遍性，仅当山谷的位置处于罕见情况下，即当山谷的方向是沿着坐标轴时才有效. 「2】中提出了方法(4)的一个现代化版本，它包括坐标轴的一个旋转，使得一个轴沿x*一x七一伸展，此后搜索在第(k+l)步开始.这样的一个办法导致一个坐标轴有一种与谷底的一条母线一致的趋向，使在若干情况下能顺利实现带有一维山谷的函数的极小化.这方法对多维山谷是不适用的. 最速下降法(s慨pest des以泊t，m出加吐of)的方案是由差分方程 x*十一x*一h*J{，J诬=J‘(x*)(5)给出的，这里h*由条件 J(‘*、:)一嘿J(‘厂hJ口选取.对严格凸的谷函数，特别对二次函数 J(x)一合X·DX一。·x，(6)由算法(5)构造的序列{x*}几何地收敛于函数的极小值点x’(见「3』): 1 Ix*一x‘11簇eg‘，这里C=常数且 。一典4共手共咎井. k(J"(x’))+l’由于对谷函数，k(J“(x))》1，q“1，从而收敛性在实际上是不存在的. 对简单梯度方案(见阱】);梯度法(脚曲ntme-thod)) x*十，=x*一hJ二，J*十1“J(x*、，)，h=常数， (7)类似的情况也能看到.加速其收敛性的基础在于用以前迭代的结果使得谷底更精确.梯度法(7)能够同每一次迭代的比率q=}人}/{J*一」}的计算一起应用(见阱]，【51).当它变得稳固地接近于常数值q=1时，按照表达式 h x二，=x。
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