基于支持向量回歸的全局仿真優(yōu)化算法.pdf_第1頁
已閱讀1頁，還剩73頁未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、囿于傳統(tǒng)全局優(yōu)化方法及其它基于替代模型的全局仿真優(yōu)化方法存在估值次數(shù)多、無法應(yīng)對(duì)高維優(yōu)化問題等缺點(diǎn),近些年開始流行基于“黑箱”的元模型(響應(yīng)面)方法,主要包括基于SVR、基于RSM、基于Kriging、基于RBF等元模型的全局優(yōu)化方法。該方法是以試驗(yàn)設(shè)計(jì)與數(shù)理統(tǒng)計(jì)為基礎(chǔ)的函數(shù)逼近類全局優(yōu)化方法,可通過較少的試驗(yàn)在設(shè)計(jì)變量和設(shè)計(jì)目標(biāo)之間獲得一個(gè)足夠準(zhǔn)確的函數(shù)關(guān)系,利用響應(yīng)面替代模型有效降低了優(yōu)化問題的計(jì)算成本。
　　支撐向量回歸(S

2、VR,Support Vector Regression)基于SVM理論,通過獲得訓(xùn)練樣本的最大間隔建立分類超平面,以構(gòu)造源模型的替代模型響應(yīng)面。目前存在的基于SVR的全局仿真優(yōu)化方法無法保證樣本數(shù)較少時(shí),遴選出具有代表性的樣本,使之覆蓋整個(gè)設(shè)計(jì)區(qū)間;重構(gòu)SVR模型時(shí)間較長;最優(yōu)點(diǎn)搜索速度較慢;不能有效應(yīng)對(duì)約束條件下的全局尋優(yōu)。
　　本文提出一種基于增量SVR模型的全局優(yōu)化算法DISVR:采用一種新的最小距離最大化增量LHD采樣方

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間，僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請(qǐng)與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論