基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

一种基于代理模型引导采样的多目标优化方法

针对复杂的实际工程多目标优化问题,提出代理模型引—手采祥的多目标优化方法。通过自适应的加强径向基函数构造的代理模型寻找Pareto优化解集,从找到的解集中通过一定策略筛选出部分作为样本点加入到下代样本空间中,样本点随着迭代的进行越来越靠近全局Pareto最优解集。从当前所有样本点中获得Pareto解,并根据其分布情况作为收敛条件。该方法中代理模型仅仅用来引导采样,也不需要反复计算大量样本点验证代理模型的精度,得到的解都被实／承模型验证过。在雌利害目标测试函数中体现了精度和效率。最后成功应用于薄板冲压成形变压边力优化中,表明了具有解决多目标实际工程优化问题的能力。     

一种鲁棒的被动声目标识别方法

针对噪声环境下一些声目标识别技术性能严重下降的问题,提出了一种基于一阶补偿的径向基函数网络模型,并给出了该网络参数选择方法。实际应用表明,这种神经网络对噪声具有较强的鲁棒性,与传统的径向基函数网络相比,其识别性能等同于信噪比提高大约１０～１５ｄＢ。     

用多目标动态规划求解拆卸序列的Pareto最优前沿

针对拆卸序列多目标优化问题，考虑拆卸任务先后顺序约束，提出基于改进的与/或图(Transformed AND/OR Graph, TAOG)和基于Pareto占优概念的多目标动态规划(Multi-Objective Dynamic Programming, MODP)求解方法。与其他多目标优化方法相比，MODP不需要调整计算参数和考虑参数变化对解的影响，并可获得问题的Pareto最优前沿，是求解拆卸序列多目标优化问题的精确算法。通过求解算例，验证了提出方法的可行性和高效性。     

基于代理模型的翼型多目标集成优化设计

针对翼型优化中直接使用计算流体力学方法计算量大的问题,提出了一种基于代理模型的翼型多目标优化设计方法.使用形函数线性扰动法描述翼型外形,求解N-S方程获得翼型气动参数.采用Pareto多目标遗传算法进行优化,使用代理模型降低计算量,通过优化集成,实现优化过程自动化以提高设计效率.算例结果表明,本方法能有效降低计算成本,缩短设计周期,提高设计质量,具有一定实用价值.     

基于径向基函数响应面法的板料成形仿真研究

板料冲压成形过程中,系统的输入参数具有较大的随机性,并且系统优化通常需要满足多个目标.针对目前一些流行算法在精度和效率上存在的不足,提出了基于径向基函数响应面法的板料冲压成形过程可靠性设计方法.通过超拉丁立方抽样实验设计,选择了适当的设计参数样本,建立了基于径向基函数的板冲压成形过程响应面模型,分析响应面模型中各个目标对应的响应值,得出影响系统的最主要因素,并获得最佳冲压成形工艺参数范围.通过实际生产,验证了该方法对提高板料冲压成形过程的可靠性是有效的.     

基于对位学习多目标遗传算法的板形板厚控制

提出了一种基于对位学习多目标遗传算法的板形板厚控制系统设计方法。该方法给出了控制系统的结构,建立了板形板厚控制器参数的多目标优化模型,并采用对位学习多目标遗传算法对该模型进行多目标优化,得到一组控制器参数的Pareto解。在其中选择三个Pareto解对应的控制器参数,作用于板形板厚控制系统做仿真研究。结果表明,所得到的Pareto解集中选定区域的解都可以使系统具有满意的性能,并且对扰动有较好的抑制作用,证实了该方法的有效性。     

核参数遗传选优的SVM在直线电机建模中的应用

采用遗传算法对支持向量机的径向基核参数进行优化，找出了具有较强推广能力的径向基搬参教，进而建立了直线电机结构参教与输出性能关系模型，并对模型的有效性进行了验证，为直线电机建模探索了一种有效的方法。     

基于增强学习解决随机需求车辆路径问题

针对确定随机需求车辆路径问题的最优策略,存在状态空间"维数灾"问题,基于增强学习函数近似原理,首先,设计了一个径向基函数(RBF),其次,在一给定的控制策略下,将最小平方瞬时差分(LSTD)法确定函数的权系数与交叉熵(CE)法确定隐层节点基函数的参数相结合,通过在线调整,使Bellman残差平方和性能指标达到最小,最后,根据得到的径向基函数,确定最优策略。通过仿真试验,验证了所设计方法的有效性。     

不确定条件下后装协同保障链优化调度

后装保障链是联合作战环境下的重要支撑, 针对保障链中的2个重要节点-前进基地和保障基地的资源协调问题, 提出了考虑不确定因素影响的优化模型及基于信息共享的协同保障算法; 为了解决保障数据样本较小情况下的不确定参数估算问题, 利用模糊规划方法把不确定优化模型转化为概率约束模型; 并利用增强ε-约束法来估算多目标Pareto解, 帮助后装指挥人员在难以事先给出权重的情况下选择合适的解决方案; 为了解决规划模型的计算复杂性过大的问题, 设计了嵌入自适应大规模邻域搜索的Memetic算法进行求解。最后通过仿真实验对模型和算法的有效性进行了验证。     

径向基代理模型中形状参数对精度的影响

代理模型方法是复杂系统优化设计的一种有效方法,讨论了以多二次函数为核函数的径向基（radial basis function, RBF）代理模型中形状参数h对精度的影响,在此基础上探讨了一种获得最优h值的方法。在该方法中,将RBF代理模型的标准均方根误差表达为形状参数h的函数,通过极小化该标准均方根误差,得到最优h值。在样本点给定的情况下,采用该最优h值所构造代理模型与采用其他h值所构造的代理模型相比,其精度更高。一维和二维数值算例验证了采用本方法确定h值的有效性,并应用该方法求解了战术导弹的气动外型优化设计问题。     

弹上下视景象目标快速匹配的技术实现

弹上光学传感器拍摄的下视目标图像的配准是打击效果评估的前提.研究了一种稳定的SlFT算子,实现了大视场下视景象目标的快速匹配.其方法是:通过在尺度空间中计算局部极值,先确定匹配关键点的位置和尺度,同时去除低对比度的关键点不稳定边缘上的响应点;然后由关键点相邻像素的梯度方向直方图描绘出种子点及其特征向量,近而获得关键点的特征向量;最后使用距离函数作为相似性度量进行配准.实践证明,与传统的方法相比,实现的算法具有更高的实时性.由于在原有基础上增加了其特征向量的雏数,因而具有更好的鲁棒性.     

面向未知环境的无人机障碍规避制导律设计

针对未知障碍规避问题给出了一种障碍规避制导律。将参考点航路跟踪制导法(reference point guidance, RPG)进行改进作为障碍规避制导律,对无人机与障碍的相对运动关系进行分析,确定了规避制导的时机和参考点选取的原则,用非线性微分方程对障碍规避过程进行建模,在此基础上分析了制导参数对系统性能的影响,确定了参数选取原则。仿真结果表明,改进后的RPG能够引导无人机安全规避突发或未知的几何形状不规则的障碍,能够避免不同任务阶段制导律切换过程中存在的安全隐患。     

考虑预测响应值波动的多响应优化设计

在多响应优化设计中,模型参数的不确定性以及生产过程的噪声因子不可避免地会导致预测响应值出现较大的波动。针对上述的问题,结合贝叶斯抽样技术、帕累托优化策略以及灰色关联分析方法提出了一种多响应优化设计方法。首先,考虑模型参数的不确定性,运用贝叶斯多元回归模型构建了过程响应与试验因子之间的函数关系;其次,根据帕累托最优策略求出了帕累托最优前沿,并计算各试验点达到帕累托最优的贝叶斯后验概率;然后,利用灰色关联分析方法识别出最佳的优化设计方案;最后,实际案例研究表明,在考虑预测响应值波动时,所提的方法能够获得更为稳健和可靠的优化结果。     

变形面天线的分块Coons拟合方法

针对工程中雷达天线、卫星通讯地面站天线等的实际反射面在载荷作用下发生变形,基于变形反射面实际形状,提出了一种与传统最佳吻合抛物面法不同的新的分块拟合方法。该方法根据天线结构分析,对变形反射面进行分块划分,分别对每个块域实施Coons曲面拟合,且采用周向三角函数拟合与径向二次函数拟合确定曲面片边界条件,进而准确得到反射面变形的整体与局部信息。给出了该方法的理论公式,通过仿真实验证明了其准确性与有效性。     

三目标优化:一种计算Pareto非劣解相对于各优化目标偏向度及其进一步分析的方法

考虑到理性决策者通常以获得高性价比结果为最佳选择,本文基于求解三目标优化问题得到的Pareto非劣解进一步分析.以"性价比"概念为基础,建立了Pareto前沿各点排序的基本规则,定义了相邻点概念,并明确了相邻点选择的方法.根据Pareto前沿各点与其相邻点的分布特点,计算得到了Pareto前沿各点的变化率;设计了灵敏比概念,得到了各Pareto非劣解相对各优化目标的偏向程度.本文的创新性贡献有3点:①利用三目标Pareto前沿灵敏比形成的新支配关系,进一步得到了比Pareto非劣解集范围更小的子集;②首次量化出三目标优化问题的Pareto非劣解相对于各优化目标的偏向度;③给出了各Pareto非劣解偏向于各优化目标的不平衡度,得到了不平衡度最小的解.最后,通过具体算例演示了上述计算过程,并与多种常用方法的计算结果进行了对比分析,验证了文中所述方法的可行性和有效性.本文研究成果对于进一步认识Pareto非劣解所具有的重要特性,深化三目标优化问题的求解是一次重要的理论推进.     

基于MapReduce的大规模数据集流形学习降维研究

信息技术的快速发展导致了数据规模的爆炸式增长，传统的机器学习、数据挖掘算法面临新的 挑战. 流形学习克服了传统线性降维算法的不足，成为十年来降维研究的热点领域. 然而流形学习 算法复杂度高，对于大规模的数据集并不适用. 针对大规模数据集下的流形学习降维问题，提出了 基于MapReduce 的分布式流形学习算法. 该算法采用局部敏感哈希函数将相似点映射到同一个桶中，利用流形具有局部欧氏同胚的性质，在每个桶内采用欧氏距离度量点之间的测地距离，桶之间采用 中心点及边缘点来计算修正的测地距离. 在大规模的人工合成数据集和真实数据集上的实验表明，该算法能有效地估计数据点间的测地距离，适用于处理大规模数据集的降维问题.     

α稳定分布噪声下基于FHN模型的UWB-IR信号检测

针对传统FitzHugh-Nagumo (FHN)模型检测方法在α稳定分布噪声条件下检测性能退化的问题,在α稳定分布的统计特性基础上,将三倍分散系数异常值剔除准则引入FHN模型检测方法,提出基于三倍分散系数FHN模型的超宽带冲激无线电(ultra wideband-impulse radio, UWB-IR)检测方法。此外,对传统三倍分散系数准则进行改进,使用样本分位数法对α稳定分布参数进行估计,避免了传统三倍分散系数准则对α稳定分布参数先验信息的依赖,使其适合全盲条件下的UWB-IR信号检测。仿真实验表明,该算法能有效抑制α稳定分布噪声中的强脉冲,可较好地重构UWB-IR信号波形,实现了强α稳定分布噪声条件下UWB-IR信号的有效检测。