基于支持向量回歸的全局仿真優(yōu)化算法.pdf

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、無法應對高維優(yōu)化問題等缺點,近些年開始流行基于“黑箱”的元模型(響應面)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。該方法是以試驗設計與數(shù)理統(tǒng)計為基礎的函數(shù)逼近類全局優(yōu)化方法,可通過較少的試驗在設計變量和設計目標之間獲得一個足夠準確的函數(shù)關系,利用響應面替代模型有效降低了優(yōu)化問題的計算成本。
　　支撐向量回歸(S

2、VR,Support Vector Regression)基于SVM理論,通過獲得訓練樣本的最大間隔建立分類超平面,以構造源模型的替代模型響應面。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,遴選出具有代表性的樣本,使之覆蓋整個設計區(qū)間;重構SVR模型時間較長;最優(yōu)點搜索速度較慢;不能有效應對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