基于变量分组降维的辛烷值损失预测模型

针对精炼汽油辛烷值损失的问题,基于灰色关联度分析方法与最大信息系数方法,给出变量分组降维的特征选择方法,以有效选择出具有独立性代表的特征;与随机森林算法相结合,提出一种辛烷值损失量预测模型。由于操作变量之间具有高度非线性和相互强耦联的关系,采用变量分组降维,即考虑操作变量、性质变量与产品硫含量、辛烷值损失的关系来筛选特征。利用灰色关联度筛选出对辛烷值损失和产品硫含量的关联程度较强的特征,排序后由最大信息系数筛选出28个独立变量。收集研究生数学建模竞赛试题数据,采用随机森林算法进行仿真预测计算。计算结果表明,基于变量分组的特征选择和辛烷值损失预测模型得到的均方误差为0.0086,拟合值R 2为92.5%。

综合变量分组与退出策略的电力系统长过程动态数值仿真方法

变量分组策略对于解决电力系统长过程动态仿真的刚性问题发挥了积极作用。但由于参与分组的变量在动态全过程中均需要进行积分运算,制约了计算效率的进一步提高。对此问题,在变量分组的基础上引入变量适时退出策略:当某些变量变化幅度降到设定的阈值以下时,可将它们暂时退出分组和积分运算。此措施既能降低参与分组变量的维数,又能减小仿真过程的运算量,从而提高系统仿真的整体计算效率。算例结果表明,所提方法具有随着系统规模增大、计算效率提高越明显的优良特性。

基于变量分组的大规模多目标优化算法

含有大规模决策变量的多目标优化问题,是当前多目标进化算法领域中的研究难点之一.针对此问题,提出一种基于变量分组的大规模多目标优化算法.该算法的贡献在于两个方面:1)提出一种新的决策变量分组方法,该方法通过随机采样与非支配排序,将决策变量分为收敛性变量和多样性变量; 2)在种群进化过程中,采用levy分布函数产生新个体,同时设计出适应于此分布函数的优化过程.以反向世代距离(inverted generational distance,IGD)作为评价指标,在标准测试集函数上进行实验,实验结果证明该算法在解决大规模多目标优化问题时是有效的.

基于变量分组DTW-MCVA的不等长间歇过程故障检测方法

针对不等长间歇过程监控中批次数据同步化未能充分挖掘局部信息的问题,提出一种基于变量分组DTW-MCVA(VGDTW-CVA)的不等长间歇过程故障检测方法。首先,利用互信息矩阵描述不等长间歇过程测量变量之间的相关性,并基于互信息矩阵进行变量分组。然后利用DTW算法对各个变量组分别进行同步化,并将同步化后的变量组整合为完整的三维数据集。最后,利用MCVA方法建立动态监控模型实现对间歇生产过程的在线监控。盘尼西林发酵过程的仿真结果表明,VGDTW-MCVA能够比基本的DTW-MCVA方法更好地监控间歇过程故障。

基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析(independent component analysis,ICA)变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法(KPLS)建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.

基于决策变量分组的粒子群算法求解大规模优化问题

针对社会学习粒子群算法在求解大规模优化问题时存在的收敛速度慢以及种群多样性缺失等问题,提出一种基于决策变量分组的粒子群算法.根据决策变量间的相关性对决策变量分组,提高算法的收敛速度.采用反向学习策略,通过生成反向解,提高算法的全局寻优能力.采用CEC2010测试函数集对本文算法进行测试,仿真结果与已有典型算法进行对比,验证了本文算法的有效性.

基于变量分组模糊控制算法的倒立摆系统

采用模糊控制理论研究了直线一级倒立摆控制问题。直线一级倒立摆系统是多变量不稳系统,为了解决模糊规则爆炸问题,本文采用了变量分组的方法完成倒立摆模糊控制器的设计方案。要使直线一级倒立摆系统稳定,必须对小车位置和摆杆角度同时进行闭环控制,而单一的控制只能控制一个控制量,本文提出了两回路的模糊控制方案。仿真和实验结果证明了该方案的可行性和良好的控制性能。

无参分组大规模变量的多目标算法研究

目前大多数多目标优化算法没有考虑到决策变量之间的交互性,只是将所有变量当作一个整体进行优化。随着决策变量的增加,多目标优化算法的性能会急剧下降。针对上述问题,提出一种无参变量分组的大规模变量的多目标优化算法(MOEA/DWPG)。该算法将协同优化与基于分解的多目标优化算法(MOEA/D)相结合,设计了一种不含参数的分组方式来提高交互变量分组的精确性,提高了算法处理含有大规模变量的多目标优化算法的性能。实验结果表明,该算法在大规模变量多目标问题上明显优于MOEA/D及其它先进算法。

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系,传统的故障检测模型通常会忽略不同变量间相关性的差异,对不同相关关系的变量采用相同的特征提取方法,从而导致检测效果欠佳。针对以上问题,提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型,首先计算变量间的最大信息系数矩阵,按照相关性的不同对变量进行分组,再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导,从而分别为各组建立不同的支持向量数据描述检测模型,完成最大信息系数与支持向量数据描述的紧密结合,最终实现分布式故障检测。通过仿真对比,验证了该模型的可行性与有效性。

运用因子载荷阵分组变量的新主成分法及其应用

文章提出了R型-因子分析法有得分函数与命名不一致且不符合实际、正交因子间完全线性无关、综合得分函数难分重要因子的变量、片面以信息量衡量各因子相对重要性等缺陷,提出运用因子载荷阵分组变量的新主成分法,并以我国区域产业素质水平为例,得到综合变量命名清晰,得分函数意义清晰并与命名一致,得分值更具实际意义,变量系数可检验指标体系和考察各变量相对重要性,此法可找重要综合因素,从中发现和解决问题等结论。

一种采用混合策略的大规模多目标进化算法

现实中存在大量的大规模多目标优化问题,这些问题所固有的目标函数间冲突性、巨大的搜索空间以及决策变量可能存在的交互等特征对传统的多目标进化算法构成了巨大的挑战.研究者根据此类问题的特点基于不同的视角提出了多种大规模多目标进化算法,但它们在解题的质量和效率方面尚存较大的提升空间.基于此,提出一种采用混合策略的大规模多目标进化算法LSMOEA/HS.该算法提出的一种黄金分层分组方法将大规模决策变量分成收敛性组和多样性组,然后对收敛性变量组执行基于变量组的相关性检测操作,将收敛性变量组划分成若干更小规模的子组,最后算法采用不同的优化策略分别优化收敛性变量组和多样性变量组以获得最终的解题结果.为验证LSMOEA/HS的有效性,将其与五种新近提出的高效的大规模多目标进化算法一同在决策变量维度为200、500、1000、2000和5000的2-目标和3-目标的LSMOP系列测试实例上进行IGD和HV性能测试,实验结果表明LSMOEA/HS具有显著较优的收敛性和多样性.由此表明,LSMOEA/HS是一种颇具前景的大规模多目标进化算法.

基于决策变量交互识别的多目标优化算法

当前求解大规模优化问题的关键在于决策变量的有效分组。随着决策变量规模的增大,决策变量间以及决策变量与目标函数间的关系愈加复杂。在总的适应度评价次数给定的条件下,决策变量分组所消耗的适应度评价次数越多,种群进化过程中所剩适应度评价次数越少,从而影响算法收敛能力,导致解集质量下降。为解决以上问题,首先,提出了一种决策变量交互识别策略,该策略能够以较少的适应度评价次数,识别决策变量的潜在交互结构并形成子组件,实现每个子组件间关联性最小;其次,在决策空间中根据个体间角度来划分每个子组件的邻域范围;最后,结合MOEA/D算法框架,提出了MOEA/D-IRG(基于决策变量交互识别的多目标优化)算法分别独立优化各个子组件。仿真实验结果表明:在LSMOP1-4测试问题上,随着决策变量规模的增加,MOEA/D-IRG算法性能明显优于NSGA-II、MOEA/D和S3-CMA-ES算法,所获解集质量更高。

群体异质性研究的潜变量分析方法

社会学、心理学、医学等研究领域常常关注群体的异质性,异质性有时是可观测的,有时则不可见。由可观测变量（也称显变量）定义的亚组,例如按照性别、血型等显变量分组,此时每个观测所属的组别已知,群体异质性可见,可采用多组比较的方法对数据进行分析。

使用分组资料估计线性回归模型中的统计问题

使用分组资料来估计回归方程的系数是我们经常遇到的。由于对原始数据进行分组,就使得各经济单位的信息被压缩。使用这样的资料进行回归分析,就会给回归系数的估计带来一些影响。但是,在实际工作中,不能不利用这样的资料。于是,这就提出一个如何正确使用分组资料的问题。在这里我们将讨论单变量分组的情况。

求解大规模优化问题的新型协同差分进化算法

基于分而治之的策略,研究求解大规模优化问题的新方法。首先,基于加性可分性原理提出一种改进的变量分组方法,该方法以随机取点的方式,成对检测所有变量之间的相关性;同时,充分利用相关性学习的信息,对可分变量组进行再次降维;其次,引入改进的差分进化算法作为新型子问题优化器,增强了子空间的寻优性能;最后,将两项改进引入到协同进化框架构建DECC-NDG-CUDE算法。在10个选定的大规模优化问题上进行分组和优化两组仿真实验,分组实验结果表明新的分组方法能有效识别变量的相关性,是有效的变量分组方法;优化实验表明,DECCNDG-CUDE算法对10个问题的求解相对于两种知名算法DECC-DG、DECCG在性能上具备整体优势。

基于新偏最小二乘回归法的系列水文资料分析

在实际问题中,经常会碰到海量数据或者样本点较少,自变量较多的数据。对此可以利用递阶偏最小二乘回归来建立线性模型。但是一个直接的问题是如何对自变量进行分组。由此提出了基于聚类分析的递阶偏最小二乘回归方法,在对解释变量分组时引入聚类分析。通过对长江宜昌段水沙观测数据作实证分析后发现,基于聚类分析的递阶偏最小二乘回归方法是有效可行的,而且用该方法建立的回归模型比一般的偏最小二乘回归模型拟合能力更强。

基于聚类分析的惩罚约束财务风险预警模型

影响上市公司财务状况的指标众多,如何识别重要的指标建立财务危机预警模型至关重要。文章基于Logistic回归提出聚类Group Bridge模型,首先基于聚类分析根据财务指标相关性进行分组,再利用Group Bridge方法选择重要的风险指标。模拟分析显示,新模型在识别显著风险指标和分类预测方面都表现优良,对比不考虑相关性的LASSO与ENet模型,新模型的优势随着指标的相关性增强而更加明显。在A股市场上市公司的实证分析中,新模型表现出了良好的分类效果和稳健性。

大规模多目标进化优化算法研究进展

现实中存在许多大规模多目标优化问题(Large-scale Multi-objective Optimization Problem,LSMOP),它们对传统的多目标进化算法(Multi-objective Evolutionary Algorithm,MOEA)提出了挑战,有关LSMOP的研究已成为多目标优化领域的研究热点之一。本文系统分析了近年来提出的各种大规模多目标进化优化算法(Large-scale Multi-objective Optimization Evolutionary Algorithm,LSMOEA),根据这些算法的主要思想和技术特点将它们粗略地分成4种类型,即基于协同进化(Cooperative Coevolution,CC)、基于决策变量分析、基于问题重构以及其他方法,并对今后LSMOP的研究方向提出建议,以期将LSMOP的研究引向深入。

可重构S盒替换单元研究与设计

针对微型终端资源受限导致加密算法单一的问题,对分组密码中的关键部件S盒进行可重构设计,提出以8-1S盒为基本可重构单元,将S盒转换位布尔函数表达式,采用变量分组、递进计算的方式,大幅减少表达式中的与项个数,提升中间结果的利用率.在此基础上,设计了一种可重构S盒单元,并在TSMC 45nm CMOS工艺下进行综合,工作频率可达1.67Ghz,与现有研究成果相比,本设计不仅能够很好的满足当前微处理器的速度需求,且资源占用仅为同类设计的2/3.

信用评级模型的特征选择方法研究

特征选择是信用评级建模的重要环节,合理的特征选择能够简化模型结构和提升分类效果.借鉴w-L1SVM模型的加权思想,借助Logistic-Group-Lasso模型筛选组变量的优势,提出处理信用评级特征选择问题的加权Logistic-GroupLasso(w-LGL)模型,该模型在选择变量时更加关注误判成本较高的违约客户,且能够实现分类变量的整组处理.与常规特征选择方法相比,w-LGL模型在数值模拟与实证研究中的分类效果更好.