带混沌侦查机制的蚁狮优化算法优化SVM参数

蚁狮优化算法作为一种新的仿生智能算法,有许多有待完善和发展的方面。由于在算法迭代过程中蚁狮种群存在适应度相对较差的个体,若蚂蚁选定该蚁狮进行随机游走将会增加算法陷入局部极值的可能性,同时会影响算法的寻优性能。针对该问题,借鉴人工蜂群算法的侦查思想,在蚁狮原有信息的基础上引进混沌搜索机制,提出了一种带混沌侦查机制的蚁狮优化算法。该算法首先将排序蚁狮种群中适应度较差的个体定义为侦查蚁狮,并将其原始位置信息作为Fuch混沌映射的初始值,然后通过一定次数的混沌搜索迭代获得一个适应度值更优的位置再重新赋值给侦查蚁狮,以提高蚁狮种群的优良性和算法的寻优性能。最后将改进蚁狮优化算法用于支持向量机参数的优化中,以UCI标准数据库中的数据进行数值实验,结果表明改进算法具有较强的寻优性能和较好的算法稳定性。

人工蜂群算法优化SVR的预测模型

针对人工蜂群算法存在的易陷入局部最优、收敛速度慢的缺点,引入当前最优食物源和惯性权重函数,对该算法的食物源更新方式进行改进;针对支持向量回归机的参数优化问题,将其转化为组合优化问题,并使用改进的人工蜂群算法进行优化求解,进而得到人工蜂群算法优化SVR的预测模型。以短期交通流量数据为例,将该模型的预测结果与蚁群算法优化的支持向量回归机(ACO-SVR)、粒子群算法优化的支持向量回归机(PSO-SVR)和未改进的蜂群算法优化的支持向量回归机(ABC-SVR)进行对比分析,结果表明该模型的预测效果最优且运行时间最短,具有更好的学习能力和推广能力。

不确定需求下应急物资储备库选址鲁棒优化模型

为加强应急物资储备工作,提高预防和处置突发事件的能力,研究不确定因素对应急物资储备库选址决策的影响,建立应急物资储备库选址优化模型。用不同矩形需求区域描述物资需求点。用块范数度量图中距离。将人工蜂群算法(ABC)应用于模型的求解中,得到不确定需求下的最优选址方案。试验结果表明,模型具有良好的鲁棒性,便于决策者积极应对不确定因素带来的不利影响。

考虑应急设施中断风险与防御的可靠性选址模型研究

为提高应急设施运行的可靠性和抵御中断风险的能力,研究中断情境下的应急设施选址-分配决策问题。扩展传统无容量限制的固定费用选址模型,从抵御设施中断的视角和提高服务质量的视角建立选址布局网络的双目标优化模型,以应急设施的建立成本和抵御设施中断的加固成本最小为目标,以最大化覆盖服务质量水平为目标,在加固预算有限及最大最小容量限制约束下,构建中断情境下应急设施的可靠性选址决策优化模型。针对所构建模型的特性利用非支配排序多目标遗传算法(NSGA-Ⅱ)求解该模型,得到多目标的Pareto前沿解集。以不同的算例分析和验证模型和算法的可行性。在获得Pareto前沿的同时对不同中断概率进行灵敏度分析,给出Pareto最优解集的分布及应急设施选址布局网络的拓扑结构。

耦合人工鱼群算法在支持向量机参数优化中的应用

针对支持向量机的参数寻优到目前为止仍无一套系统的、完整的理论,同时如采用网格搜索法寻找最优参数又较为费时,单独使用人工鱼群算法寻优时需要反复调用预测数据集的情况下,提出了耦合人工鱼群算法用于支持向量机参数的优化选择.该模型利用训练好的神经网络来拟合人工鱼的食物浓度值,避免了反复调用预测数据集的麻烦;该模型既具有神经网络算法的较强非线性拟合能力,又具有鱼群算法的并行搜索能力和全局寻优性能等优点.数值试验的结果表明:耦合人工鱼群算法在支持向量机的参数寻优中具有较好的预测效果和较高的预测准确率.

SVM参数优化的AFMC算法

支持向量机的参数选择仍未有系统的理论指导,其优化选择一直是支持向量机的一个重要研究方向。考虑到人工鱼群算法优化支持向量机参数往往易陷入最优参数组合微小邻域的问题,构造了用于支持向量机参数优化的AFMC算法。该算法前期利用鱼群算法较好的并行寻优性能,能快速寻得问题的近似最优解,而后利用MonteCarlo法进行局部寻优,以实现快速、有效地获取强近优解。数值实验结果表明,该算法具有较好的分类性能和较快的寻优速度,验证了在支持向量机参数寻优中的有效性和可行性。

基于混沌更新策略的蜂群算法在SVM参数优化中的应用

针对支持向量机的参数寻优缺乏数学理论指导,传统人工蜂群算法易陷入长期停滞的不足,而混沌搜索算法具有很好的随机性和遍历性,提出了基于混沌更新策略人工蜂群支持向量机参数选择模型(IABC-SVM)。该模型利用混沌搜索对侦察蜂搜索方式进行改进,有效提高蜂群算法搜索效率。以UCI标准数据库中的数据进行数值实验,采用ACO-SVM、PSO-SVM、ABC-SVM作为对比模型,实验表明了IABC在SVM参数优化中的可行性和有效性,具有较高的预测准确率和较好的算法稳定性。

动态搜索半径的果蝇优化算法

针对传统果蝇优化算法FOA(Fruit Fly Optimization Algorithm)固定搜索半径导致后期局部寻优性能弱、收敛缓慢的问题,提出一种动态搜索半径的果蝇优化算法DSR-FOA(Fruit Fly Optimization Algorithm With Dynamic Search Radius)。该算法前期以较大搜索半径保证全局寻优性能,而后期搜索半径随迭代次数动态递减以保证局部寻优性能,有效地实现算法全局与局部寻优性能的均衡。其次,针对传统果蝇优化算法不适于优化变量的区间设定问题,通过初始搜索半径设定和平移变换等技术提出一种有效的区间限定方法。数值实验结果表明:改进算法具有较好的寻优精度和预测标准差等指标,验证了算法的有效性和可行性。

果蝇耦合均匀设计算法及其优化SVM参数

支持向量机的参数选择仍无系统的理论指导,且参数优化一直是支持向量机的一个重要研究方向。传统果蝇优化算法能够较快寻得一个较优的近似最优解,随后在该解的邻域继续迭代而造成寻优时间的严重增加。针对该问题构建了果蝇优化算法与均匀设计相耦合的果蝇耦合均匀设计算法,并将其用于支持向量机的参数优化。该算法首先利用果蝇优化算法并行寻优以快速得到所研究问题的一个较优近似最优解,然后跳转执行均匀设计的局部寻优,以获得一个更优的近似最优解。数值实验结果表明:该算法具有较快的寻优效率和较高的分类精度,验证了其在支持向量机参数优化中的有效性和可行性。

基于Lasserre松弛的紧约束多项式优化问题逼近界分析

本文研究了紧约束多项式优化问题(POP)的界.利用Lasserre提出的将原紧约束问题转化为多项式平方和(SOS)成立的条件,给出其条件推导SOS式子成立的证明.利用原有逼近界定理,将其进一步转化,获得了新的逼近界定理.新的逼近界定理较原有定理减少了参数,便于计算.

基于GA-Chebyshev神经网络的一类分数阶微分方程的数值解

针对一类分数阶微分方程求数值解的问题,在切比雪夫神经网络的基础上,提出一种利用遗传算法优化切比雪夫神经网络的新方法,并通过2个算例验证了该方法的可行性和有效性。研究结果表明:与现有数值方法相比,采用改进的切比雪夫神经网络方法计算微分方程的数值解与准确解更为接近,误差较小。研究结论为分数阶微分方程中类似问题的求解提供了新思路。

基于变因子加权学习与邻代维度交叉策略的改进CSA算法

针对乌鸦搜索算法(CSA)优化高维问题时存在寻优精度低、局部极值逃逸能力弱等问题,提出一种耦合多个体变因子加权学习机制与最优个体邻代维度交叉策略的改进乌鸦搜索算法(ICSA).该算法随迭代进程动态修正模型控制参数(感知概率和飞行长度),利用多个体的变因子加权学习机制保证子代个体同时继承跟随乌鸦与上代最优个体的位置信息以避免单个体继承的过快种群同化并减小陷入局部极值的风险;同时构建历史最优个体的邻代维度交叉策略,并按维度绝对差异大的优先替换原则更新最优个体位置,以保留历代最优维度信息并提高算法的局部极值逃逸能力.数值实验结果分别验证了模型参数对CSA算法性能的一定影响,加权学习因子不同递变形式对ICSA算法性能改善的有效性与差异性以及改进算法的优越寻优性能.

不确定与损毁情景下可靠性设施选址鲁棒优化模型与算法研究

设施选址是长期战略性决策问题,选址决策面临各种不确定因素,设计一个可靠的选址网络具有重要的战略意义.本文同时考虑需求的不确定性及设施可能损毁的情景,扩展无容量限制的固定费用可靠性选址模型,建立不确定与损毁情景下服务能力有限的可靠性设施选址鲁棒优化模型.基于Bertsimas和Sim鲁棒优化方法提出一个新的混合整数规划模型,通过引入辅助变量和对偶变换实现非线性鲁棒优化模型转化为鲁棒对应模型,提出蝙蝠算法(BA)对模型予以求解,并通过算例仿真验证模型和算法的可行性,为设施选址决策提供模型和方法设计.

给定需求区域应急物资储备库选址模型及其解法

为确保应急方案的合理制定和灾后应急物资的高效调度与使用,提高应急物资储备库选址决策的科学性,引入非线性时间满意度函数,构建基于时间满意度的需求区域下应急物资储备库选址优化模型。考虑储备库选址中时间因素的重要性和需求区域的差异,从需求区域的角度定义时间满意水平。同时,考虑受灾规模和受灾程度的不同,用不同矩形需求区域描述物资需求点。利用蝙蝠算法(BA)求解模型,得到最优的选址分配方案和各个需求区域的时间满意度。结果表明,用BA算法能有效求得应急物资储备库选址模型的最优解,且在需求区域的不同时间满意度偏好下,选址方案达到了较高的时间满意度。

基于多元非线性回归分析的露天煤矿涌水量预测

为准确预测元宝山露天煤矿涌水量,提高煤矿生产安全系数,基于矿区多降雨量和煤炭产量实测数据,以降雨量和煤炭产量为涌水量影响因子,运用水文地质比拟法和多元非线性回归分析法,分别建立矿区涌水量预测模型,通过对比分析,确定更精确的预测方法。研究结果表明:水文地质比拟法的比拟值与涌水量实测值相差较大,二者相关系数为-0.719,呈负相关,预测精度低;而多元非线性回归分析法的涌水量预测值与实测值相关系数达0.946,显著性水平检验R^2为0.894,能解释涌水量89.4%的变异,预测更精确,可作为今后矿区涌水量预测的依据,指导矿山安全生产。

耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法

针对标准支持向量机(SVM)识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能.

考虑共享不确定因素的应急设施最大覆盖选址模型

为提升应急设施的服务质量和抵御中断风险的能力,研究应急设施最大覆盖选址-分配决策问题。扩展无容量限制的固定费用的可靠性选址决策模型,建立考虑共享不确定因素的应急设施最大覆盖选址优化模型,通过在目标和约束中引入budget不确定集刻画共享不确定因素,基于Bertsimas和Sim鲁棒优化方法建立混合整数规划模型,并将非线性问题转化为易于求解的鲁棒等价模型,利用带混沌搜索策略的改进灰狼优化算法求解模型,并对不确定鲁棒水平和中断概率进行敏感性分析。最后通过案例及数据仿真结果的对比分析,验证了模型的合理性和有效性,并给出最优的选址分配布局。

考虑配送质量与时间的第四方物流契约设计

从第四方物流视角出发,同时考虑配送质量与配送时间,建立委托代理数学模型,通过模型求解给出最优契约并对结果进行分析。结果表明,最优配送契约能够激励第三方物流努力工作,实现对配送过程的有效管理;配送质量与配送时间的契约激励是相互关联的,配送质量的提高与配送时间的缩短可以同时实现。数值实验显示了最优配送契约的有效性与系统参数对契约结果的影响。

融合簇边界移动与自适应合成的混合采样算法

针对伪负采样算法(Pseudo-Negative Sampling,PNS)存在的类内子聚集和类别重叠问题,提出一种融合簇边界负样本移动策略(Cluster Boundary Negative Movement Strategy,CBNMS)与自适应正样本合成技术(Adaptive Pos⁃itive Synthesis Technology,ADPST)的改进混合采样算法(Improved Cluster Boundary Negative Movement Strategy,ICB⁃NMS),以提升非均衡数据的整体分类性能和正类识别精度.CBNMS策略采用凝聚层次聚类对正负类样本进行划分,并通过各局部样本间相似关系识别潜在负类中且与正类相关性较大的簇边界负样本,提高采样的局部精确性和时效性.为进一步加强CBNMS策略对正样本重叠区域的识别性能,ICBNMS算法在簇边界负样本移动均衡化基础上,引入ADPST技术,利用稀疏度与距离复合因子组合加权以自适应确定最优样本生成区域,从而有效削弱样本的重叠性且丰富样本的多样性.实验结果表明,相比其他采样算法,ICBNMS算法在10个非均衡数据集的多组实验中G-mean和Fmeasure等指标获得最优值,且时间效率比CDSMOTE和PNS算法分别提升了32.27%和27.88%,凸显出更优越的鲁棒性和泛化性.

融合递减策略与Fuch混沌机制的改进YSGA算法

为增强绯鲵鲣算法搜索的覆盖性及寻优的精准性以优化全局探索能力和局部开采能力,提出一种融合步长因子递减策略与混沌局部增强机制的改进绯鲵鲣优化算法(IYSGA)。首先,该改进算法在标准YSGA算法基础上,设计了一种动态的步长因子递变模式以实现绯鲵鲣算法高效全面的搜索,此策略有利于提高算法的搜索效率并扩大寻优范围;其次,混沌搜索机制则是借鉴Fuch映射理论优越的混沌特性与较好的局部收敛性能而构造的一种当前最优解的局部再开采方式,以完成对YSGA算法的局部搜索性能的改善。该耦合方法对YSGA的改进,有利于实现IYSGA算法全局探索与局部搜索能力间的多轮动态迭代平衡。最后,通过数值实验验证了IYSGA算法优越的并行迭代寻优性能与稳健性。