基于二阶序列最小优化的最小闭包球近似算法

对求解大规模高维数据集的最小闭包球问题进行研究。基于机器学习中训练支持向量机的序列最小优化(Sequential Minimal Optimization,SMO)算法,提出一种近似计算最小闭包球的二阶SMO-型算法。利用Lagrangian对偶函数的二阶泰勒展开式计算新的工作集,每次迭代只更新工作集所对应可行解的两个分量,构造新的可行解,并建立二阶SMO-型算法的多项式时间复杂度。数值实验结果表明,对于大规模高维数据集,二阶SMO-型算法比一阶SMO-型算法运行速度更快,尤其结合了加速技术的二阶SMO-型算法计算效率更高。

求解非半正定核Huber-支持向量回归机问题的序列最小最优化算法

序列最小最优化(SMO)算法是求解大型支持向量机(SVM)问题的有效算法.已有的算法都要求核函数是正定的或半正定的,从而使其应用受到限制.针对这种缺点,本文提出一种新的的SMO算法,可求解非半正定核Huber-SVR问题.提出的算法在保证收敛的前提下可使非半正定Huber-SVR能够达到比较理想的回归精度,因而具有一定的理论意义和实用价值.

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法.改进后的SMO学习算法提高了学习速度,加快了网络收敛速度.基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性.

一种改进的支持向量机序列最小优化算法

提出一种改进的序列最小优化算法,它在选取工作集时选取优化步长最大的违反KKT条件的样本和其配对样本,并且对求解过程进行简化,从而使训练过程速度更快。实验表明,该算法是有效、可行的。

应用序列最小优化算法的火电厂协调系统的预测

针对支持向量机二次规划(QP)算法处理大规模数据时计算复杂度高的问题,介绍了适宜处理大规模数据回归问题的序列最小优化(SMO)算法,并在该算法的基础上进行了改进,使运算速度得到进一步的提高。同时,将SMO算法及其改进算法(I-SMO)用于火电厂协调系统的预测,并同QP算法进行了比较。仿真结果表明,I-SMO算法比QP算法具有更高的预测精度和更快的运算速度,并且比SMO算法在计算速度方面又有较大的提高。

果蝇优化算法在边坡最小安全系数搜索中的应用

提出将果蝇优化算法结合简化Bishop法对边坡最小安全系数进行搜索,针对基本果蝇优化算法局部寻优精度不高且易陷入局部最优的缺点,提出将果蝇优化算法和具有很强局部搜索能力的单纯型法相结合,并借鉴遗传算法中的杂交操作,以克服基本果蝇算法存在的不足。算例计算结果表明:果蝇优化算法是一种简洁、高效的边坡最小安全系数搜索方法,改进后的果蝇优化算法具有更高的收敛精度和可靠性,为边坡最危险滑动面搜索和最小安全系数的计算提供了一种新的全局求解策略。

GM(1,1)模型的遗传算法优化及效果检验

对平稳的数据和非平稳数据两种数据序列建立的GM(1,1)模型,分别用加速遗传算法(AGA)和最小二乘法(LSM)对模型参数求解。结果表明:对平稳变化数据序列,两种方法建立的预测模型的拟合优度和预测精度无显著差异;对变化幅度较大的非平稳数据序列,基于AGA的GM(1,1)模型的拟合优度和预测精度高于基于LSM的GM(1,1)模型的拟合优度和预测精度。

混合互补问题牛顿型算法的二阶收敛性

在凸规划理论中 ,通过 KT条件 ,往往将约束最优化问题归结为一个混合互补问题来求解 .该文就正则解和一般解两种情形分别给出了求解混合互补问题牛顿型算法的二阶收敛性的充分性条件 。

基于改进灰狼算法的船舶数学模型参数辨识

为了解决船舶操纵性指数计算复杂以及辨识参数泛化性较低问题,本文利用改进灰狼算法对辨识参数进一步优化。基于大型油轮运动数据以及一阶、二阶线性响应型数学模型,利用支持向量回归得到辨识参数的参考值。当参考值泛化性较低或者不准确时,利用改进灰狼算法实现辨识参数的范围内寻优,并将所得的辨识结果与基于遗忘因子的递推最小二乘的辨识结果对比。研究表明:利用改进灰狼算法优化后得到的辨识参数结果精度较高并且具有一定的泛化性。改进灰狼算法具有较强的搜索能力,同时可以对其他算法得到的不准确的参数进一步优化,使得参数辨识值更为准确。

训练支持向量机的并行序列最小优化方法

序列最小优化(SMO)是训练支持向量机(SVM)的常见算法,在求解大规模问题时,需要耗费大量的计算时间。该文提出了SMO的一种并行实现方法,验证了该算法的有效性。实验结果表明,当采用多处理器时,并行SMO具有较大的加速比。

基于PSO-LSSVM模型的基坑变形时间序列预测

现场量测获得的基坑变形资料蕴含了系统内部力学演化信息。针对基坑变形影响因素的复杂性、监测数据的高度非线性以及人工神经网络方法的过学习问题,利用粒子群(PSO)算法优选最小二乘支持向量机(LSSVM)参数,并结合相空间重构理论进行数据预处理,提出了一种基于PSO-LSSVM模型的基坑变形时间序列预测方法。利用该方法建立基坑变形预测模型应用于动态设计和信息化施工,对保证基坑安全具有重要意义。将该方法用于昆明某基坑工程的深层水平位移预测,不断利用基坑前期工况的最新实测数据建模,对后期工况变形量进行滚动预测,获得了令人满意的效果。

基于最大-最小蚁群系统的装配序列规划

提出一种结合了蚁群系统与最大-最小蚂蚁系统优点的装配序列规划(Assembly sequence planning,ASP)方法。对近十年基于蚁群优化的ASP文献中采用的优化指标、装配信息模型、实例零件数等进行综述和比较。为提高序列的装配效率区分度,研究方向性、并行性、连续性、稳定性和辅助行程等5项指标的自动量化方法,将其融入到蚁群优化多目标启发式函数和适应值函数中。为提高对最优序列的搜索能力,以装配几何可行性为基础,从蚂蚁数量的确定、最大-最小信息素的界定、初始零件分配位置的绩效考核机制以及对并行零件组强制优化机制等方面,设计针对性解决方案,提出基于最大-最小蚁群系统的ASP算法。开发基于Siemens NX的装配规划系统AutoAssem。以阀门为实例,验证了算法内部各项优化措施的有效性,同时与优先规则筛选法、遗传算法及粒子群算法进行比较,分析该算法在运行效率和序列性能方面的优势。

阵列指向性二次型约束稳健波束形成算法

提出了一种基于阵列指向性二次型约束的优化算法,以提高最小方差无畸变响应(MVDR)波束形成对方向矢量的稳健性。通过控制阵列波束指向附近的小区域的自适应波束图与期望波束图的加权平方误差,使波束主瓣区域内的信号畸变最小,同时保持了对约束区间外的干扰信号的抑制能力。数值结果表明:在理想阵形和阵形畸变情况下,无方位失配时,利用本文算法的阵列输出信号与干扰噪声比(SINR)与新近出现的球面约束稳健Capon方法相当,而存在方位失配时,本文算法均优于后者。

基于蚁群算法的系统级序贯测试优化研究

针对系统故障诊断中的序贯测试优化问题,文章采用蚁群算法,把系统级测试序列优化问题转换为蚁群建立最小完备测试序列的问题;通过构建蚁群的状态转移规则和信息素反馈机制,实现对系统级测试序列的优化;实例证明此算法具有良好的性能和可行性,有效地解决了系统级的序贯测试优化问题。

考虑风场高维相依性的电网动态经济调度优化算法

大规模风电并网给电力系统的调度运行带来了巨大的挑战.本文提出改进的二阶段带补偿随机优化算法,用于考虑风场出力高维相依性的电网动态经济调度问题求解.首先,利用Copula函数描述多风场出力的高维相依性,获得多风场出力的联合分布;随后,引入二阶段带补偿随机优化算法解耦求解动态经济调度模型中的常规变量与随机变量;求解过程中,针对补偿费用期望值的计算受限于相依性风场维数,且对迭代方向指导不明确,导致算法收敛耗时长的问题,引入基于整体最小二乘的递推动态多元线性回归法对二阶段带补偿随机优化算法进行改进,通过补偿费用期望值的动态更新,促使两阶段模型的迭代求解快速收敛,克服了传统随机优化方法的"维数灾"弊端,使该算法能够用于考虑风场高维相依性的电网动态经济调度模型求解.最后利用IEEE 118节点系统和某省级实际电网系统验证了所提算法的有效性和实用性.

采用遗传算法实现时域模型降阶

提出一种基于遗传算法的时域降阶新方法 ,它可以将高阶的模型降低为典型的二阶系统模型 .通过实际模型和目标模型在时间内的误差 ,将模型的降阶过程转化为最小优化过程 ,最优求解采用遗传算法 .在仿真软件包 Matlab和 Simulink的帮助下 ,先确定遗传算法的搜索空间 ,再建立模型匹配时间响应误差的自动汲取框图 .通过发挥遗传算法的优点和引入添加微变异种群等新策略 ,使得求解具有智能、高效、准确的特点 。

求解加权Euclidean单中心问题的SMO-型算法

通过定义求解加权Euclidean单中心(WEOC)问题的两个近似最优性条件,基于序列最小最优化(SMO)方法,提出一种求解WEOC问题的SMO-型算法.该算法求解WEOC问题满足第二个近似最优性条件的(1+ε)-近似解,并且每次迭代只需更新对偶变量的两个分量.数值结果表明,SMO-型算法执行简单,能有效求解高精度的大规模计算问题.

基于扩展SMO求解核函数非正定的SVR模型算法

将求解SVC模型的算法运用到求解SVR模型中一般要SVR模型的核函数正定且满足Mercer条件,而实际应用中利用几何框架将SVC模型转换成相应的SVR模型时,通常无法保证经转换得到的SVR模型的核函数具有正定性,从而导致SVR模型不是凸规划模型而无法求解。为解决上述问题,本文提出了一种运用扩展的序列最小最优化方法(SMO)来求解基于非正定核的SVR模型,设计了算法中工作集的选择准则,解决了算法中如何选择工作集变量当前的最优值问题。由于该算法不要求核函数具有正定性,从而拓宽了SVR模型核函数的选择范围。实验表明,该算法对基于正定或非正定核的SVR模型都具有很好的泛化性能和回归精度,具有一定的理论意义和实用价值。

最小闭包球问题近似算法的加速策略

结合最小闭包球(Minimum Enclosing Ball,MEB)问题近似算法的加速策略,到求解MEB问题的序列最小最优化(Sequential Minimal Optimization,SMO)近似算法中,分析给出基于远离步策略、确定并除去内部点策略及割平面法策略和积极集策略的SMO-型算法。数值实验结果表明,远离步策略能够有效减少核心集的大小,其他策略均能不同程度的提高算法的运行速度,积极集策略是最快的加速策略。

求解非负限制问题的Newton型算法

提出了求解非负限制问题的Newton型算法.当非负限制对问题的最优解不起作用时,该算法等价于Newton法;当非负限制对问题的最优解起作用时,它仍具有局部收敛性,且可快速收敛到非负限制问题的边界点上,保持二阶收敛速率.