2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩133頁未讀 繼續(xù)免費閱讀

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),請進行舉報或認領

文檔簡介

1、分布估計算法綜合了智能計算領域和統(tǒng)計學領域的知識,是一種基于群體的算法,在每代循環(huán)體中,根據(jù)適應值選擇出一些較好的個體組成優(yōu)勢群體,通過分析優(yōu)勢群體的概率分布模型來指導新一代群體的產(chǎn)生。多變量相關的分布估計算法是目前研究的熱點,為反映變量的相關性,往往采用貝葉斯網(wǎng)絡、高斯網(wǎng)絡或馬爾科夫網(wǎng)絡等結(jié)構(gòu)。但是,這些網(wǎng)絡結(jié)構(gòu)的學習本身要花費大量的時間,因此,目前的分布估計算法多數(shù)運行時間花費在對優(yōu)勢群體概率分布模型的估計操作上。有些分布估計算法假

2、設變量服從聯(lián)合正態(tài)分布,通過估計數(shù)學期望和協(xié)方差矩陣獲得具體的概率分布模型。但是由于正態(tài)分布本身具有對稱性等特點,不能準確地反映實際優(yōu)化問題中變量的相關性。而且,由方差和協(xié)方差計算得到的相關系數(shù)也僅僅能夠反映變量之間的線性相關性。因此,基于聯(lián)合正態(tài)分布的分布估計算法優(yōu)化效果一般。
   在統(tǒng)計學領域中,copula理論將多變量的聯(lián)合分布函數(shù)分解成為兩個部分:一是各個變量的一維邊緣分布函數(shù),二是反映這些變量相關結(jié)構(gòu)的copula函

3、數(shù)。Copula函數(shù)擯棄了邊緣分布的干擾,而對變量的相關性單獨進行研究。這里的相關性更全面,而不僅僅是線性相關性。學者們通過對大量現(xiàn)實數(shù)據(jù)的分析總結(jié)出了一些典型的copula函數(shù),并對其性質(zhì)進行了深入的研究。本文提出了基于copula理論的分布估計算法,在估計優(yōu)勢群體的概率分布模型時,將邊緣分布函數(shù)的估計操作和copula函數(shù)的估計操作分別進行,實際上這兩個操作是可以獨立地并行實現(xiàn)的。邊緣分布函數(shù)的估計和copula函數(shù)的估計要比復雜網(wǎng)

4、絡結(jié)構(gòu)的學習簡單省時的多。在這一思想下,本文主要完成了以下工作:
   (1)通過分析分布估計算法和copula理論,給出了基于copula理論的分布估計算法的總體框架和實現(xiàn)步驟,并證明了該算法的全局收斂性。在模型估計階段,分兩個部分分別進行:估計各個變量的邊緣分布函數(shù);估計copula函數(shù)。在估計copula函數(shù)時,一般是選擇一個帶參數(shù)的copula函數(shù),然后根據(jù)優(yōu)勢群體對其參數(shù)進行估計;或者是根據(jù)優(yōu)勢群體直接構(gòu)造copula

5、函數(shù),如經(jīng)驗copula函數(shù)。在模型采樣階段,主要是對copula函數(shù)的采樣。根據(jù)copula函數(shù)采樣得到服從該分布的單位超立方體上的向量,然后根據(jù)邊緣分布函數(shù)的反函數(shù)計算得出搜索空間中的點作為新個體。理論上證明了在群體規(guī)模無限的情況下,copula分布估計算法收斂于全局最優(yōu)解。
   (2)在copuIa分布估計算法框架下分別用二維正態(tài)copula函數(shù)和兩個二維阿基米德copuIa函數(shù)表示變量的相關性,針對二維數(shù)值優(yōu)化問題,實

6、現(xiàn)了三種具體的copula分布估計算法,在理論和實驗上驗證了copula分布估計算法的可行性和有效性。另外,實驗結(jié)果表明阿基米德copula分布估計算法優(yōu)于正態(tài)copula分布估計算法。
   (3)針對多維的數(shù)值優(yōu)化問題,提出了經(jīng)驗copula分布估計算法。在估計模型時,將單位超立方體等分成若干個小區(qū)間,統(tǒng)計優(yōu)勢群體中落入各個小區(qū)間的個體數(shù),構(gòu)造經(jīng)驗copula函數(shù),并以此采樣.邊緣分布可以是任何形式的分布,在本文中研究了正態(tài)

7、分布和經(jīng)驗分布兩種情況.在該算法中,經(jīng)驗copula函數(shù)不需要顯式表示出來,而是根據(jù)其構(gòu)造方式直接推出了經(jīng)驗copula函數(shù)的采樣方式,因此在算法具體實現(xiàn)時,只需要統(tǒng)計個體數(shù)并直接采樣就可以.實驗結(jié)果表明,經(jīng)驗copula分布估計算法能夠有效地解決多維數(shù)值優(yōu)化問題,其全局探測能力較強,能夠很快地找到全局最優(yōu)解附近。
   (4)針對多維的數(shù)值優(yōu)化問題,提出了阿基米德copula分布估計算法。用阿基米德copula函數(shù)反映優(yōu)化變量

8、之間的相關性,具體實現(xiàn)了Clayton copula EDA、Gumbel copula EDA和Frank copula EDA,在適應值計算次數(shù)相同的條件下,這些阿基米德copula分布估計算法的優(yōu)化效果優(yōu)于典型的分布估計算法。
   (5)針對阿基米德copula分布估計算法的參數(shù)和采樣方法進行了研究。提出了兩種參數(shù)的估計方法:PMLE估計和根據(jù)Kendallτ估計。分別針對小種群低維數(shù)、小種群高維數(shù)、大種群低維數(shù)和大種群

9、高維數(shù)四種情況分析了參數(shù)估計對阿基米德copula分布估計算法的影響,并與典型的分布估計算法進行了比較,表明無論在收斂速度還是收斂精度方面,具有參數(shù)估計的阿基米德copula EDA.都優(yōu)于典型的分布估計算法。另外,根據(jù)Kendallτ估計參數(shù)的阿基米德copula EDA比PMLE估計參數(shù)的阿基米德copula EDA更簡單有效。由于copula函數(shù)本身也可以看作是隨機變量,因此可以直接估計其服從的密度函數(shù),并從中采樣。對該采樣方法在

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論