优化方法Hooke-Jeeves C++程序 水平有限，仅供参考

This book presents a carefully selected group of methods for unconstrained and bound constrained optimization problems and analyzes them in depth both theoretically and algorithmically. It focuses on clarity in algorithmic descr iption and analysis

本文主要研究现有的几种求解p-Laplace方程的多重网格方法：FAS多重网格方法和Cascade多重网格法，并在此基础上提出了一种新的求解p-Laplace方程的多重网格方法：Cascade-back方法。该方法是Cascade方法与一新方法——“back”方法的结合。 其优点在于它综合了一般多重网格法与Cascade多重网格法的思想，利用粗网格上的校正来提高Cascade多重网格方法的计算速度和计算精度，而且在粗网格上保留了原方程的右端项，从而保证了粗网格上校正方程的性质与原方程相似。 由

粒子群优化算法是一种新颖的仿生、群智能优化算法。该算法原理简单、需调整的参数少、收敛速度快而且易于实现，因此近年来粒子群算法引起了广大学者的关注。然而到目前为止粒子群算法的在理论分析和实践应用方面尚未成熟，仍有大量的问题需进一步研究。本文针对粒子群算法易出现“早熟”陷入局部极小值问题对标准粒子群算法进行改进并将改进的粒子群算法应用于BP神经网络中。本文的主要工作如下：本文首先介绍了粒子群算法的国内外的研究现状与发展概况，较系统地分析了粒子群优化算法的基本理论，总结常见的改进的粒子群优化算法。其

为了提高差分进化算法对搜索空间的探索与开发能力,提高差分进化算法的收敛性与算法的进化效率,提出一种基于搜索空间均匀划分与局部搜索和聚类相结合的种群初始化方法.该方法首先对决策变量空间进行均匀划分,并从各个子空间中随机选择一个个体,得到的个体能够覆盖整个搜索空间;然后,利用Hooke-Jeeves算法对各子空间进行局部搜索得到局部最优的个体,并结合改进的Canopy算法与K-means聚类算法,辨识搜索空间中的前景区域,以此为基础对局部搜索产生的局部最优个体进行筛选,最终生成初始种群中的个体.通过