1) Hybrid Optimization Algorithm(GASA)
混合优化算法(GASA)
2) GASA hybrid optimization strategy
GASA混合优化策略
1.
The author proposes GASA hybrid optimization strategy for the bilevel programming models.
数值模拟实验表明算法性能良好,GASA混合优化策略求得全局最优解时的进化代数比单一的遗传算法减少约35％,比模拟退火算法的迭代次数减少约50％。
2.
Combining the parallel searching structure of genetic algorithm with the probabilistic jumping property of simulated annealing, a kind of GASA hybrid optimization strategy is proposed.
结合遗传算法的并行搜索结构和模拟退火的概率突跳性 ,提出了一种高效的GASA混合优化策略 。
3.
In this paper,a GASA hybrid optimization strategy algorithm is proposed to solve the problem of passenger-ticket pricing.
本文采用基于遗传算法(GA)和模拟退火算法(SA)的GASA混合优化策略求解铁路客票价格问题的双层规划模型,并用一个简单的算例表明:本算法在求解该双层规划方面更好发挥了智能搜索的优势,具有更高的效率和可信度。
4) hybrid optimization algorithm
混合优化算法
1.
Modified hybrid optimization algorithm based on locally filled functions;
基于局部填充函数的混合优化算法的改进
2.
Customer ideas mining based on hybrid optimization algorithm of fuzzy matter-element PSO;
基于模糊物元PSO混合优化算法的客户创意挖掘
3.
Image registration method based on hybrid optimization algorithm and wavelet transform;
基于混合优化算法和小波变换的图像配准研究
5) hybrid optimal algorithm
混合优化算法
1.
So this paper presents a new hybrid optimal algorithm, which is successfully used for robot neural networks path planning, based on the combination of the simulated annealing algorithm and the conjugate direction method.
针对模拟退火算法收敛速度慢这一缺陷,提出了一种基于共轭方向法和模拟退火算法相结合的新型混合优化算法,并成功应用于机器人神经网络路径规划中。
6) hybrid algorithm
混合优化算法
1.
In this paper, by using the hybrid algorithm merging hill climbing with simulated annealing, the precise design of the circular symmetrical diffractive optical element (DOE) for beam smoothing is completed.
利用爬山 模拟退火混合优化算法 ,对圆对称衍射光学束匀滑器件进行了精细化设计。
2.
The hybrid algorithm, combing hill climbing and simulated annealing, and hollowed out mask are adopted to design and fabricate the diffractive optical element (DOE) with diameter 80mm, to realize beam smoothing for the fundamental wave and the third harmonic wave of Nd:YAG laser.
采用爬山 -模拟退火混合优化算法与旋转镂空掩模板工艺 ,针对基频光与三倍频光 ,设计并加工出口径 80 mm的连续位相衍射光学器件。
补充资料：计算算法的最优化
计算算法的最优化
ptimization of computational algorifans
计算算法的最优化【。洲咧匕6阅ofc咖例。柱.目习子时-d，”6;onT一Mo3a双，Ra，一eju.Teju.II.叱a几r0P盆n陇o，1 在求解应用问题或精心设计标准程序系统时最优计算算法(comPutatio几al algorithm)的选择.当解决一个具体间题时，最优策略可能不会使解法最优化，可是为优化一个标准程序或应用最简单的解法编制程序则是很直截了当的. 计算算法的最优化问题的理论提法是基于下述原则.当选择一种方法来求解一个问题时，研究人员关心的是某些特性，而且根据这些特性来选择算法，同时这个算法也能用来解决具有这些特性的其他问题.据此，在算法的理论研究中，人们引人了具有特殊性质的一类问题尸.当选择一种解法时，研究人员有一组解法M可供选用.当选用一种方法m来求解一个问题p时，得到的解会有一定的误差e(p，m).称量 E(P，m)=sllp}。(p，m)I P‘P为在这类问题P中方法m的误差(en刀r of the nrth-od)，同时，称量 E(p，M)一惑E(p，m)为M中方法在尸中误差的最优估计(。Ptimal estirnateof the error).如果存在一种方法，使得 E(P，m。)=E(P，M)，那么称这个方法为最优的(optirnal).研究计算算法最优化问题的一个方案可以追溯到A .H .KQJLMoropoB(【2」)，所考虑的是计算积分 1 ‘(f)一Jf(x)dx 0问题的集合，给定的条件是}f(时}成A，其中M是所有可能求积 N ‘(f)澎，万:C，f(x，)的集合·每一种求积由总数为ZN的cj和礼确定.由具有所需精度的某函数类重新生成一个函数所需要的最小信息量(见【2]，「31)也可以包含在这个方案中.这个问题的一个更详细的阐述可查阅【4]，它指出在特定意义下实现算法的工作量与应用的存储量同样大.最优算法仅对极少数类型问题存在(汇1」)，然而，对大量计算问题，已经建立了就其渐近特性而言几乎是最优的方法(见汇5]一【8」). 对某类问题最优的计算算法特性的研究工作(见15]，【71)包含两部分:建立其特性尽可能好的具体解法，和根据计算算法的特性得出估计量(见【2]一【4]，【9】).实质上，问题的第一部分是数值方法理论的一个基本问题，而且在大多数情况下它是与最优化问题无关的研究工作.下面得到的估计通常归结为对￡摘(。
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