基于序贯重点采样粒子滤波的分布估计算法

连续域分布估计算法一般假设数据服从高斯分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的高斯分布模型不能有效地描述解在空间的分布.本文提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布并从中采样得到下一代种群,不需要假设样本服从高斯分布,并且算法采用的概率模型是多峰的.仿真实验结果验证了本文方法的正确性和有效性.

基于序贯重点采样粒子滤波和Cholesky分解的分布估计算法

连续域分布估计算法一般假设数据服从Gauss分布,而且大多采用了单峰的概率模型,但是对于一些复杂的优化问题,单峰的Gauss分布模型不能有效地描述解在空间的分布.提出一种基于序贯重点采样粒子滤波的分布估计算法,采用带权粒子描述优选集样本服从的概率分布,Cholesky分解法分解收缩的协方差矩阵并利用其产生下一代样本,不需要假设样本服从Gauss分布.算法采用的概率模型是多峰的.变量之间的相关性通过采样时利用群体的协方差矩阵显式地予以考虑,并对协方差矩阵为零矩阵的情况进行了处理.仿真实验结果验证了方法的正确性和有效性.

采用分布估计算法计算AHP判断矩阵排序权重

判断矩阵排序权重计算及其一致性检验可以归结为一个使一致性指标最小化的非线性、变量耦合的优化问题。提出一个利用基于序贯重点采样粒子滤波和Cholesky分解的分布估计算法计算排序权重的算法,该算法采用的概率模型是多峰的并考虑了变量之间相关性。文中对判断矩阵排序权重计算及一致性检验、基于序贯重点采样粒子滤波和Cholesky分解的分布估计算法进行了介绍,描述了排序权重计算及一致性检验算法,最后给出实验数据及其分析。实验结果验证了算法的有效性,并具有很高的精度和稳定性。