Оптимизация сингулярных чисел матриц, зависящих от параметров…
ISSN 1812-3368. Вестник МГТУ им. Н.Э. Баумана. Сер. Естественные науки. 2016. № 5
57
Предложены новые гибридные алгоритмы, интегрирующие алгоритм
M-PCA и детерминированные алгоритмы локальной минимизации. Метод линеа-
ризации с построением сглаживающих аппроксимаций и итерационным уточне-
нием решения (внешний цикл метода сглаживания 1–3) был рассмотрен выше.
Первый
гибридный
алгоритм
объединяет
стохастический
алгоритм
M-PCA сканирования пространства переменных и детерминированный алгоритм
LMSI локального поиска, использующий указанный подход. Фрагмент псевдокода
результирующего гибридного алгоритма M-PCALMSI приведен ниже:
1. Generate an initial solution
Old_Config
Best_Fitness
= Fitness
(Old_Config)
Update Blackboard
For
0
n
to # of particles
For
0
n
to # of iterations
Update Blackboard
Perturbation ( )
If Fitness
(New_Config)
> Fitness
(Old_Config)
If Fitness
(New_Config)
>
Best_Fitness
Best_Fitness
:= Fitness
(New_Config)
End If
Old_Config
:=
New_Config
Exploration ( )
Else
Scattering ( )
End If
End For
End For
2. Exploration ( )
For
0
n
to # of iterations
Small_Perturbation ( )
Local search
using Linearization Method
with Smoothing Approximations
and Iterative Refinement
Check stopping criterion:
Find global solution
Best Fitness
Else continue
If Fitness
(New_Config)
>
Best_Fitness
Best_Fitness
:= Fitness
(New_Config)
End If
Old_Config
:=
New_Config
End For
Return
3. Scattering ( )
1
scatt
p
( Fitness
(New_Config)
) / (
Best_Fitness
)
If
scatt
p
> random(0, 1)
Old_Config
:= random solution
Else
Exploration ( )
End If
Return