概率约束规划问题的一个光滑近似

许多有重要价值的实际问题均属于概率约束问题,该类问题通常是非凸的且非光滑的,有效的求解方法多集中于凸近似方法.基于Sigmoid函数,将概率约束函数光滑化并建立相应的光滑近似问题,通过收敛性分析,证明了在适当的条件下,当参数充分大时,光滑近似问题与原问题等价,且光滑近似问题的最优值和最优解集分别收敛到原问题的最优值和最优解集.

加权光滑投影孪生支持向量回归算法

现有双边移位投影孪生支持向量回归(PPTSVR)算法在训练阶段没有考虑不同位置样本对超平面构造的影响,当样本中存在异常点时会降低算法拟合性能。针对该问题,提出一种加权光滑投影孪生支持向量回归算法。采用孤立森林法赋予每个样本不同的权值,并且赋予样本中异常点很小的权值,通过将权值引入算法目标函数,削弱异常点对超平面构造的影响。为直接在原空间中寻求最优超平面,引入正号函数,将有约束优化问题转化为无约束优化问题,并采用Sigmoid光滑函数对目标函数进行光滑处理,证明其任意阶可微且严格凸的特性,进而在原空间中采用牛顿迭代法进行求解。在基准数据集和人工测试函数上的实验结果表明,该算法相比于现有代表性回归算法具备更好的拟合性能和更快的训练速度,尤其当训练样本中存在异常点时,相比于PPTSVR算法拟合性能提升更明显。

连续体拓扑优化的一种光滑化方法

利用有限元离散后的水平集函数的节点值作为拓扑设计变量来求解连续体拓扑优化问题。利用阶跃函数把水平集函数转化为0-1变量。引进无穷次连续可微的sigmoid函数对阶跃函数进行光滑化。通过对sigmoid函数中陡度参数的不断调整来达到加快收敛速度的目的。利用拓扑导数的概念分析了这种做法的可行性。数值算例表明采用sigmoid函数作为光滑函数不但可以使算法的选取和实现变得更加容易,而且可以获得相对较快的收敛速度。