配气凸轮优化设计的惩罚函数法和增广拉格朗日乘子法

将约束最优化问题的间接解法中有代表性的惩罚函数法和增广拉格朗日乘子法应用到配气机构五项式凸轮型线的最优化设计中 ,优化设计结果表明混合法 (内点法 )的求解精度最高 ,外点法的收敛速度最快 ,而增广拉格朗日乘子法的求解精度较高且收敛速度也较快 ,更适于用来求解此类问题 .

基于增广拉格朗日乘子法的水平井射孔密度分布研究

合理的孔眼密度分布能改善水平井入流剖面,有利于延缓水、气锥进。考虑水平井井筒内摩擦损失和加速损失的影响,基于Landman油藏渗流模型,建立了以孔眼位置为优化设计变量、均匀入流剖面为约束条件、水平井产量或生产压差为目标函数的射孔优化模型。采用增广拉格朗日乘子法对有限导流水平井的射孔密度分布进行优化研究。优化结果表明,为获得尽可能均匀的入流剖面,沿水平井跟端向指端方向射孔密度逐渐增加,约在井筒长度的3/5位置附近取得最大值,在趾端处降低;均匀入流剖面下的产量较均匀射孔水平井的产量低。

水平井射孔优化设计的增广拉格朗日乘子法

射孔参数优化能提高水平井开发效果。考虑射孔分布对水平井产能的影响,以Landman油藏稳态渗流模型为基础,以孔眼位置为优化设计变量,分别建立了以水平井产量最大和水平井生产端压力降最小为目标函数的优化模型。利用增广拉格朗日乘子法具有收敛速度快和求解精度高的特点,对无限导流水平井射孔分布进行优化研究。结果表明,优化射孔分布能有效地改善沿水平井井筒流入流量剖面;对一定的井底流压和产量,射孔水平井存在最佳的射孔分布。算例中,为得到最大产量或最小井底流压,射孔密度沿水平井井筒呈"U"型分布;若考虑沿水平井井筒流入流量剖面均匀,则射孔密度沿水平井井筒呈"∩"型分布,但产能略有降低。上述研究为水平井射孔分布优化设计提供了新方法。

基于粒子群算法和增广拉格朗日乘子法的混合可靠性分析

本文提出了一种基于粒子群算法和增广拉格朗日乘子法的混合可靠性分析方法.该方法通过引入参数的不确定性和区间变量,得到一种概率-区间混合不确定模型,充分利用增广拉格朗日乘子法将有约束优化问题转化为无约束优化问题,基于此进行求解和结构可靠性分析.数值算例和工程实例验证了该算法在计算结构可靠性问题时对于线性和非线性的功能函数有良好的收敛性和较高的计算效率.

增广拉格朗日乘子法非严格成立的理论分析

对于增广拉格朗日乘子法,分析表明其解析解只有一个不等式约束的边界解严格成立,而其在可行域内的解析解在松弛变量为实数时存在,当松弛变量为虚数时不等式约束不满足,解析解不在可行域内,增广拉格朗日乘子法无效。当采用无约束最优化算法求解数值解时,在一定的条件下数值解在可行域内,增广拉格朗日乘子法有效,若条件不成立,则增广拉格朗日乘子法无效。本文在增广拉格朗日函数中加入松弛因子,修正了增广拉格朗日乘子法,使其具有一个在可行域内的严格成立的解析解,当松弛因子与终止条件的允许误差限满足一定的条件时,不等式约束满足,修正增广拉格朗日乘子法严格成立。数值分析实例验证了上述研究的有效性。

基于增广拉格朗日乘子法的大型振动筛动态优化设计

将增广拉格朗日乘子法应用到大型振动筛结构动态优化设计中,通过优化设计法找寻加强筋在振动筛侧板上的最优布置,达到以最少筋板数满足低应力的要求.结果表明:增广拉格朗日乘子法收敛速度快,求解精度高,比优化程序中的罚函数法更适于求解此类问题.优化后的侧板重量降低了0.67%,最大动应力降低了23.17%,横向最大位移减小了18.69%,达到了比较好的优化效果.对优化后振动筛进行动态特性分析,其最大动应力降低了14.46%,横向最大位移减少了25.81%,增加了筛板的刚度,降低了变形,提高了结构的稳定性和可靠性.

基于并行分离增广拉格朗日乘子法的字符矫正

字符矫正是光学字符识别(OCR)系统预处理过程中的重要步骤,针对传统的增广拉格朗日乘子法(ALM)求解字符矫正问题时收敛性和计算速度的不足,本文研究了并行分离的增广拉格朗日乘子法,综合考虑字符矫正模型的建立过程,提出并行分离方法与ALM相结合的思想解决字符矫正问题。用并行方式将迭代问题分解成3个子问题,计算时能够同时求解分解后的这3个子问题,然后进行凸组合,最后收敛到问题的最优解。实验结果表明,本文算法能够快速准确地对变形的字符图像进行矫正,并且具有良好的实时性和适应性,可用于OCR系统的矫正预处理中,提高OCR系统的识别率。

结构可靠度的增广拉格朗日乘子算法

从结构可靠指标 β的几何意义出发 ,提出了相关正态随机向量下求解β的优化模型 ,并给出了求解β的增广拉格朗日乘子算法。在理论上论证了方法的可行性 ,数值实例说明该法是有效的。

基于增广乘子法的混凝土面板堆石坝优化设计

建立了混凝土面板堆石坝优化设计的数学模型,以坝体几何控制参数为优化设计变量、坝体体积为优化目标函数、堆石体和面板的应力和变形为约束条件,采用增广拉格朗日乘子法进行了优化计算,得到了最优设计方案。优化方案的工程量比原设计方案降低了3.1%,经济效益显著。

基于增强高阶非凸全变分模型的图像去噪算法

为了在缓解阶梯效应的同时更好地保留去噪后图像的细节信息,提出一种基于增强高阶非凸全变分(higher order non-convex total variation,HONTV)模型的图像去噪算法。该算法将每一次去噪后的图像和原始图像取平均作为增强HONTV模型下一次循环的输入并更新参数,然后采用增广拉格朗日乘子法和交替方向乘子法进行循环求解,经过多次迭代,最终得到的去噪图像包含较多的细节信息。在基于全变分的图像去噪方法中,对添加不同标准差大小的高斯白噪声的测试图像和视频进行实验。实验结果表明,所提算法在视觉性能和客观评价指标方面均优于对比算法。

基于BB步长的一类原始-对偶算法

增广拉格朗日乘子法(ALM)是求解带等式约束的二次凸优化问题的常用方法,但罚参数选取不当时,收敛速度比较慢.提出ALM-BB算法,利用Barzilai-Borwein(BB)算法的步长去改进原始的ALM,证明ALM-BB算法的收敛性.最后将这类方法运用于求解范数最优控制问题.数值算例表明改进的算法收敛速度更快.

一种基于矩阵填充的稀疏阵波达方向估计技术

为了提高稀疏阵列波达方向(DOA)估计的性能,该文将低秩矩阵重构理论应用到DOA估计中,提出了一种改进的矩阵填充模型及其优化求解方法。该方法利用Sigmoid函数实现核范数约束并建立最小化模型;然后基于粒子群算法改进增广拉格朗日乘子法,对模型实现低秩优化求解;最后利用多信号分类(MUSIC)算法实现DOA估计。仿真结果表明,该方法能有效实现稀疏阵重构,DOA估计的性能优良,且能够适用于相关信源。

一种基于低秩表示的子空间聚类改进算法

该文针对现有的基于低秩表示的子空间聚类算法使用核范数来代替秩函数,不能有效地估计矩阵的秩和对高斯噪声敏感的缺陷,提出一种改进的算法,旨在提高算法准确率的同时,保持其在高斯噪声下的稳定性。在构建目标函数时,使用系数矩阵的核范数和Forbenius范数作为正则项,对系数矩阵的奇异值进行强凸的正则化后,采用非精确的增广拉格朗日乘子方法求解,最后对求得的系数矩阵进行后处理得到亲和矩阵,并采用经典的谱聚类方法进行聚类。在人工数据集、Extended Yale B数据库和PIE数据库上同流行的子空间聚类算法的实验对比证明了所提改进算法的有效性和对高斯噪声的鲁棒性。

无线传感器网络下线性支持向量机分布式协同训练方法研究

针对无线传感器网络中分散在各节点上的训练数据传输到数据融合中心集中训练支持向量机(Support Vector Machine,SVM)时存在的高通信代价和高能量消耗问题,该文研究了仅依靠相邻节点间的相互协作,在网内分布式协同训练线性SVM的方法。首先,在各节点分类器决策变量与集中式分类器决策变量相一致的约束下,对集中式SVM训练问题进行等价分解,然后利用增广拉格朗日乘子法,对分解后的SVM问题进行求解和推导,进而提出基于全局平均一致性的线性SVM分布式训练算法(Average Consensus based Distributed Supported Vector Machine,AC-DSVM);为了降低AC-DSVM算法中全局平均一致性的通信开销,利用相邻节点间的局部平均一致性近似全局平均一致性,提出基于一次全局平均一致性的线性SVM分布式训练算法(Once Average Consensus based Distributed Supported Vector Machine,1-AC-DSVM)。仿真实验结果表明,与已有算法相比,AC-DSVM算法的迭代次数和数据传输量略高,但其能够完全收敛到集中式训练结果;1-AC-DSVM算法具有较好的收敛性,而且在收敛速度和数据传输量上也表现出显著优势。

一种改进的K-SVD字典学习算法

提出了一种ALM-KSVD字典学习算法,通过稀疏编码和字典更新两步迭代学习得到训练样本的字典.为了提高字典训练速度与性能,在稀疏编码引入增广拉格朗日乘子法(ALM,Augmented Lagrange Multipliers)求解,更新字典则使用经典K-SVD的字典更新算法.为考察算法的字典训练速度和平均表示误差(RMSE),选取了不同样本数和噪声标准进行数据合成实验,结果表明本文算法比经典的K-SVD算法字典训练速度快、RMSE低.进一步考察算法的图像去噪能力,选取不同的输入图像噪声标准和字典原子数进行仿真,实验结果表明本文算法比经典的K-SVD算法获得更高的峰值信噪比(PSNR),具有良好的去噪性能.

不完全鲁棒主成分分析的正则化方法及其在背景建模中的应用

针对现有的鲁棒主成分分析(RPCA)方法忽略序列数据的连续性及不完整性的情况,提出了一种低秩矩阵恢复模型——正则化不完全鲁棒主成分分析(RIRPCA)。首先基于序列数据连续性的度量函数建立了RIRPCA模型,即最小化矩阵核范数、L1范数和正则项的加权组合;然后使用增广拉格朗日乘子法来求解所提出的凸优化模型,此算法具有良好的可扩展性和较低的计算复杂度;最后,将RIRPCA应用到视频背景建模中。实验结果表明,RIRPCA比矩阵补全和不完全RPCA等方法在恢复丢失元素和分离前景上具有优越性。

阵元缺损下的波达方向估计算法

为解决在均匀线阵中阵元降采样或其他因素引起的阵元损坏导致角度估计精度下降的问题,该文对缺损的采样数据矩阵进行Hankel矩阵变换,利用Hankel矩阵变换的性质以及矩阵填充理论,将不满足矩阵填充理论的接收数据矩阵变换为适用于矩阵填充理论的数据矩阵,通过不定增广拉格朗日乘子法精确重构出完整的接收数据矩阵,实现了精确的波达方向估计。仿真实验验证了该方法在均匀线阵阵元出现损毁的情况下,仍能实现对角度的精确估计,同时给出了算法随阵元缺损程度变化的性能变化趋势。

混合人工鱼群算法在约束非线性优化中的应用

为了解决具有约束的非线性优化问题,本文将增广拉格朗日乘子法和鱼群算法相结合用于非线性问题的全局优化,即用人工鱼群算法寻找增广拉格朗日函数的近似最优解,并将该近似解用于拉格朗日乘子和惩罚因子等参数的更新.同时,简要分析了人工鱼群算法的随机收敛性.仿真结果证明,与自适应惩罚遗传算法相比,该混合算法在解决约束优化问题中具有优越性和有效性.

一种基于复合稀疏表示的阿尔茨海默病的诊断方法

利用磁共振影像数据实现对阿尔茨海默病的准确诊断。将常规稀疏表示中的单层字典分解为两层,分别使用各类别的典型样本和类内差异作为两层字典的元素;设计一种两层字典协调工作的复合稀疏表示形式,以期利用训练样本更为精确地表示待识别样本,并构建分类器用于阿尔茨海默病的分类识别。在ADNI数据库的对比实验表明,该方法的识别性能优于支持向量机和同类的稀疏表示分类器。

大矩阵压缩特征目标的低秩跟踪算法

针对压缩感知的矩阵低秩稀疏分解目标跟踪算法实时性差的问题,提出一种大矩阵压缩特征目标的低秩跟踪算法。该算法通过将大矩阵分成多个小矩阵的方法构建观测矩阵,进行矩阵低秩稀疏分解,获得各候选目标的误差向量并构建误差矩阵,求解误差矩阵列向量最小1-范数问题得到跟踪结果。为了适应跟踪过程中目标外观信息的变化,基于向量相似度判别有选择地更新字典。在跟踪结果不可信时,利用轨迹修正更新当前帧跟踪结果。通过6个典型视频序列上的对比实验,新算法的实时性是原算法的3倍。实验结果表明,在目标发生部分遮挡、光照变化、快速运动时,所提出的算法能实现目标的鲁棒跟踪。