AI 詞彙表
人工智能完整詞典
约束粒子群优化
粒子群优化的一种变体，其中粒子在寻找目标函数的全局最优解时，必须遵守一组等式或不等式约束。
惩罚函数
一种将约束问题转化为无约束问题的方法，通过在目标函数中添加一个与约束违反程度成正比的惩罚项，从而引导粒子进入可行域。
障碍法
一种优化技术，当粒子接近或越过可行域边界时，在目标函数中添加一个趋于无穷大的项，以阻止其离开。
约束向量
定义优化问题边界的一组函数，通常不等式记为 g(x) ≤ 0，等式记为 h(x) = 0，并对每个粒子位置进行评估。
可行域
搜索空间的一个子集，由满足问题所有约束条件所定义，其中的候选解被视为有效解。
修复算子
一种机制，用于修改违反约束的粒子位置，使其回到可行域内部，通常通过投影或特定启发式算法实现。
双种群粒子群优化
一种方法，其中维持两个粒子群：一个在整个搜索空间中探索，另一个则限制在可行域内，从而在探索和约束满足之间取得平衡。
约束支配比较规则
在两个解之间进行选择的准则：如果一个解是可行的且目标更优，则优先选择；如果两个解都不可行，则选择违反约束程度较小的那个。
自适应惩罚系数
惩罚函数参数，在优化过程中动态调整，增加以强制满足约束条件或减少以允许更好的初始探索。
增强拉格朗日方法
先进技术，结合拉格朗日乘子方法和二次惩罚函数，在PSO中更稳健地处理约束。
带有局部搜索的混合PSO
策略，其中局部搜索（例如：投影算法）周期性地应用于粒子，以保持或将其带回可行区域，改善收敛性。
分离方法
速度更新分解为探索分量和约束满足分量的原则，分别处理以获得更好的控制。
约束多群体PSO
使用多个子群体的架构，每个子群体专门探索可行区域的不同部分或处理特定类型的约束。
合规变异算子
应用于不可行粒子的随机算子，将其变异到可行位置，通常基于以约束边界为中心的概率分布。
凸包方法
针对具有线性约束的问题的技术，其中粒子被投影到可行区域的凸包上，确保每次更新后都满足约束。
带有约束记忆的PSO
变体，其中每个粒子在记忆中保留过去违反约束的信息，以指导其未来的移动并避免不可行区域。
扩展适应度函数
修改后的目标函数，不仅集成了解决方案的性能，还集成了其可行性的度量，用于引导混合空间中的粒子。
动态容差方法
一种策略，在优化过程中逐步减少对约束违规的容差范围，允许在严格收敛之前进行更广泛的初始探索。