分布估计算法与爬山法的混合优化算法

针对经验Copula分布估计算法局部开采能力较弱的问题,提出了用爬山法进行局部搜索,将搜索结果参与到经验Copula分布估计算法的进化过程中,增加了群体中的个体差异性,同时又不影响群体的进化方向。在初始化群体时提出了均匀初始化的方法,针对高维优化问题,给出了特定的算法。通过对标准测试函数的仿真实验,表明了该算法的有效性。     

基于基尼指数的分布估计算法

随着基础理论研究所取得的一系列进展,分布估计算法逐渐成为进化计算研究领域的一个新的研究方向,并成为当今国际进化算法研究的新热点.文中提出了基于基尼指数的分布估计算法,采用实数编码直接对连续随机变量建模,并引入了基尼指数,设计了可以随着进化代数的变化动态调整子代种群的扰动因子函数.实验结果表明,该算法与其他同类算法相比优化精度有了一定程度的提高.     

自适应实值分布估计算法

针对实值分布估计算法(RECEDA)求解单模和多模优化问题存在的搜索空间有限和种群多样性保持能力较差等问题,提出了一种自适应实值分布估计算法(ARECEDA),该算法根据种群多样性性能指标自适应改变新种群采样过程中的方差值,使改进算法有效地提高种群多样性.实验结果表明,自适应实值分布估计算法比原有算法在优化精度上有很大提高.     

求解多目标优化问题的分布估计算法

通过对多目标优化方法研究现状的分析,针对多目标优化问题的特点提出一种基于联合正态分布的求解多目标优化问题的分布估计算法。该算法将不同目标函数的自变量作为不同的随机变量,用联合正态分布对扩充的解空间进行估计,并用投影的方式将采样点映射到解空间中。仿真结果表明了该算法的有效性。     

一种基于罚函数的混合分布估计算法

分布估计算法是一种新型的基于概率模型的进化计算方法,已在许多领域得到了非常成功的应用.借签罚函数根本思想,把非线性约束优化转变为无约束优化,并利用多变量相关的MIMIC算法对所得的无约束问题进化求解,提出的新算法突破了传统基于约束保持法或可行规则法的约束处理,且分布估计算法是基于可行解的宏观层面的随机进化算法,具有较强全局寻优能力和较高的收敛率.数值试验表明该算法具有很强的全局寻优能力和有效性.     

基于分布估计算法的建筑结构设计优化

建立了以质量最小为目标的建筑结构优化数学模型,解决具有应力约束和截面尺寸约束的离散变量结构优化问题.通过统计方法构建个体空间分布概率模型,随后依据此模型随机抽样生成新的群体,实现群体的进化.仿真结果表明分布估计算法求解建筑结构优化设计问题是可靠有效的,搜索能力更强,收敛性能更佳,为解决建筑结构优化问题提供科学的参考.     

武器-目标分配问题的分布估计算法及参数设计

建立了武器-目标分配问题的优化模型,分析了分布估计算法与遗传算法的异同.将分布估计算法应用于武器-目标分配问题,该算法通过统计当前群体中优选出的个体信息,给出下一代个体的概率估计,用随机取样的方法生成下一代群体.分析了个体种群数量、选择比例等参数对算法的影响,得出个体种群数量和选择比例取适中时效果最好的结论.仿真结果表明了分布估计算法求解武器-目标分配问题是可靠有效的.此方法具有较好的可扩展性,修改此算法可解决一般组合优化问题.     

Copula EDA-BP混合优化算法预测股票价格

股票价格的预测是广大投资者非常关注的问题,也是诸多学者不断研究的方向,神经网络具有学习样本规律的特点,通过神经网络预测股票价格是近几年研究的重点之一。Copula EDA-BP混合优化算法是利用了copula EDA的全局寻优和BP算法局部求精的特点,将两者结合起来建立了基于copula EDA-BP的模型系统,优化神经网络的权值阈值,对股票上证180的收盘价进行预测得到误差率,结果显示copula EDA-BP算法平均误差率低于BP算法,提高了传统BP神经网络的计算精度。     

基于分布估计算法的非负矩阵分解

非负矩阵分解问题可以转化为一个约束优化问题,因此可以依靠最优化领域的相关算法进行求解.提出一种基于分布估计算法求解非负矩阵分解问题的新算法,并将算法应用于两个非负矩阵分解的数值算例,与非负矩阵分解基准算法进行比较,证实了算法的可行性和优越性.     

一种基于Alopex和分布估计算法融合的进化算法及其在参数估计中的应用

构造了一种基于Alopex(Algorithm of pattern extraction)和分布估计算法(Estimation of distribution algorithm,EDA)相融合的进化算法EDA-Alopex.该算法将分布估计算法嵌入到一种基于Alopex的群智能进化算法(Alopex-based evolutionary algorithm,AEA)中,利用分布估计算法收敛速度快及与传统进化算法进化模式不同的特点来改进AEA算法.新算法综合了AEA算法搜索得到的个体间相关性信息和EDA搜索过程中得到的全局概率信息,能够更好地指导种群向有利的区域进化.仿真结果表明:EDA改进的EDA-Alopex算法搜索性能与AEA算法的搜索性能相比有较大提高,特别是其收敛速度与AEA算法相比有明显提高.     

双截尾Cauchy分布参数估计的若干问题

设{X_k,1≤k≤n}独立且均服从参数为μ,λ,A,B的双截尾Cauchy分布,得到了矩估计的性质并给出了当参数μ,λ已知时,参数A,B矩估计的数值解法,得出了参数A,B的极大似然估计并证明了其他参数极大似然估计的存在性和强相合性,最后利用极端顺序统计量的渐近分布得到了参数A,B的近似区间估计.     

Mutual Information Is Copula Entropy

Mutual information (MI) is a basic concept in information theory.Therefore,estimates of the MI are fundamentally important in most information theory applications.This paper provides a new way of understanding and estimating the MI using the copula function.First,the entropy of the copula,named the copula entropy,is defined as a measure of the dependence uncertainty represented by the copula function and then the MI is shown to be equivalent to the negative copula entropy.With this equivalence,the MI can be...     

索赔额服从指数分布的破产概率及渐近估计

针对指数分布导出了保险公司在初始盈余为u(u≥0)的条件下的最终破产概率及其渐近估计的显式解,并结合实例举例说明两者之间的关系.     

复合泊松分布参数估计的EM算法

复合泊松分布是非寿险精算中的重要理赔模型,利用正规的统计方法(如极大似然估计)估计模型的参数往往比较困难,而矩估计的精度在大样本下才能有令人满意的结果.本文应用EM算法研究了复合泊松分布的参数估计问题,给出了参数满足的方程,并给出了参数的矩估结果,对两种参数估计结果,通过计算机模拟,表明EM算法对参数的估计更为有效,且EM算法在小样本下就能得到较好的估计效果.     

基于截断数据分布函数的核估计

讨论了一类截断数据，分析了以往截断数据分布函数估计的主要结果．在此基础上，提出了一个核估计方法，建立了分布函数的核估计量表达式，并在紧支撑等一定条件下，研究了估计量的渐近性质，并分别证明了估计量的强相合性及收敛速度．最后，给出了一个模拟计算的例子．结果显示，这种核估计方法是可行有效的．     

Copula EDA与BP结合优化神经网络

分布估计算法是一种新的种群进化算法,通过建立概率模型得到新的个体,copula分布估计算法是将copula理论与分布估计算法结合,提高估计的精确性和效率。针对分布估计算法全局收敛的特点,与BP算法结合可以避免BP算法易陷入局部极值点的缺陷,同时可以使优化结果更加精确。本文采用copula EDA与BP算法的两种结合模式来优化神经网络的权值和阈值,并且比较两种结合模式。可以得出,copula分布估计算法与BP算法融合可以提高收敛速度和精确性。     

三阶Erlang分布参数的Bayes估计及检验

首先给出了三阶Erlang分布在定数截尾场合下参数的极大似然估计;其次给出了在“平均剩余寿命”下的三阶Erlang分布参数的拟矩估计;然后再利用共轭先验分布得到了参数的经验Bayes估计、区间估计和假设检验;最后通过模拟得到一组随机样本并给出了不同截尾样本下参数的点估计和区间估计。