Previous Page  12 / 21 Next Page
Information
Show Menu
Previous Page 12 / 21 Next Page
Page Background

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