多目标参数最优化问题的稳定性

本文研究了多目标参数最优化问题的稳定性,并得到了一些新的定理。     

多目标电网规划的一般最优化模型

针对现有电网规划中难以很好综合考虑经济性和可靠性的问题,在对电网规划进行数学描述的基础上,以供应方开发成本最小和需求方缺电成本最小为目标函数,提出了多目标电网规划的一般最优化模型,并直接在算法的寻优过程体现该最优化模型．同时以改进的混合遗传模拟退火算法为求解工具,来解决该多目标电网规划问题．算例证明了该模型的有效性．     

有效集上的线性多目标最优化问题

本文在Ｒ″中讨论线性多目标有效集上的线性多目标最优化问题,给出了在非空有效集上线性多目标规划无有效解的几个充分条件,讨论了此问题有效解和有效结果的若干性质。     

求解多目标最优化问题的功效系数法

本文在E.C.Harrington功效系数法的基础上,提出一种改进的求解多目标最优化问题的功效系数法。文中运用“最小算子”构造总功效系数,使得线性多目标问题在求解中仍不失其线性,并转挟成一个单目标的线性规划问题。文中还给出了解的有效性证明和算例。     

基于多目标优化模型的库存优化分析

对多目标优化模型的库存优化分析有利于供应链总体性能的提升.基于此,本文从库存控制成本、安全库存水平以及顾客效用水平三方协调的基础上提出了三级供应链多目标优化模型.由于该模型产品价格及目标权重因子只能在模糊理论下用模糊数表示,所以本文通过算例实验对模型的有效性进行了验证.结果 表明基于多目标模型的优化结果使得系统总体性能...     

社会考试考场选择的多目标优化模型

针对社会考试需考虑考场距离和综合条件的考场选择问题,提出了一种描述考生不便利性的定量化描述方法,建立了一个多目标的线性0 1整数规划的考场选择优化模型·该问题是一种特殊形式的选址 优化问题·采用多目标加权组合将多目标问题转化为单目标问题·通过设计合适的罚函数处理考场容量约束,将有约束问题转化为无约束问题·为求解以上问题,开发了一个采用双切点交叉和换位变异的遗传算法·通过对大量实际的算例进行计算取得了满意的结果·     

基于多目标优化的多Agent信任联盟模型

基于交互历史建立信任联盟模型,采用多目标优化算法实现联盟信誉最大和联盟收益最大化的双目标优化。实验验证结果表明,模型对联盟的优化效果优于单纯追求联盟信誉或联盟收益最大化的单目标优化效果。     

Banach空间中多目标最优化问题的标量化条件

本文在实自反Banach空间上,讨论广义多目标最优化问题的各类有效点的概念和性质,论证了多目标最优化问题标量化求有效解的充分必要性条件,从而可把多目标问题转化成单目标问题处理。     

分布式降雨径流模型率定的多目标分析方法

利用多目标方法，对自主研制的具有物理基础的分布式降雨径流模型进行了参数的多目标分析和模型有效性探讨．通过对参数的敏感性分析，确定糙率系数和土壤饱和水力传导率为率定的主要参数，选择效率系数、模拟洪峰的相对误差和洪峰达到时间的绝对误差为目标函数．在模型率定过程中，首先利用多目标最优化方法获得模型参数的非劣解集，然后又利用离散型协调规划从非劣解集中选出满意的模型参数，最后通过对非劣解集模拟的过程线的范围及形状的分析，对模型的有效性进行了评价．研究结果表明，多目标模型率定方法综合考虑了水文过程的各种要素，获得的满意解优于传统的单目标优选结果，非劣解集的聚合程度及模拟的过程线的范围能够反映模型的有效件．     

基于多目标投入产出的差别电价优化模型

采用投入产出模型和价格影响模型研究差别电价对我国能源、环境和经济的影响,在此基础上提出差别电价的多目标优化模型,最后通过实证分析,证明对高耗能行业实行差别电价对能源和环境的贡献远大于对国内生产总值(GDP)和居民消费价格指数的负面影响,对中国实现环境污染治理目标的贡献巨大.     

一种改进的核Fisher鉴别分析方法

核Fisher鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一.针对在解决两类模式分类问题中KFDA只能获得一个鉴别矢量的弱点,提出了一种改进的核Fisher鉴别分析(MKFDA)方法,该方法对特征空间中的两类间离散度进行了重新估计,通过使用核类间散布矩阵的一种特殊形式,我们可以得到最多N(N为训练样本数)个鉴别矢量,从而提高了两类模式问题的分类性能.在IRIS数据上的实验结果验证了MKFDA方法的有效性.     

利用优化方法求解线性鉴别方程

该文采用序列二次规划（SQP）方法求解Fisher鉴别准则模型。介绍了几种优化技术及算法后,分析序列二次规划（SQP）方法相对于线性鉴别准则模型一般求解方法的高效性优点,并结合MATLAB中的优化工具,应用二次规划方法求解Fisher鉴别准则模型,实现两类（人脸图像）问题的分类。该文研究和实现是对Fisher鉴别准则模型解法的新尝试和贡献。     

基于核Fisher判别的致密碎屑岩岩性识别

致密碎屑岩储层具有致密、低孔隙和非均质性强等特点,岩性识别是储层预测中的难点之一。文章针对这一问题,提出将核Fisher判别方法用于致密碎屑岩储层的岩性识别,结果表明核Fisher判别方法能有效的识别川西XC地区致密碎屑岩中的砂岩和粉砂岩。     

Analysis and Experiments on Two Linear Discriminant Analysis Methods

Foley-Sammon linear discriminant analysis （FSLDA） and uncorrelated linear discriminant analysis （ULDA） are two well-known kinds of linear discriminant analysis. Both ULDA and FSLDA search the kth discriminant vector in an n - k ＋ 1 dimensional subspace, while they are subject to their respective constraints. Evidenced by strict demonstration, it is clear that in essence ULDA vectors are the covarianceorthogonal vectors of the corresponding eigen-equation. So, the algorithms for the covariance-orthogonal vectors are equivalent to the original algorithm of ULDA, which is time-consuming. Also, it is first revealed that the Fisher criterion value of each FSLDA vector must be not less than that of the corresponding ULDA vector by theory analysis. For a discriminant vector, the larger its Fisher criterion value is, the more powerful in discriminability it is. So, for FSLDA vectors, corresponding to larger Fisher criterion values is an advantage. On the other hand, in general any two feature components extracted by FSLDA vectors are statistically correlated with each other, which may make the discriminant vectors set at a disadvantageous position. In contrast to FSLDA vectors, any two feature components extracted by ULDA vectors are statistically uncorrelated with each other. Two experiments on CENPARMI handwritten numeral database and ORL database are performed. The experimental results are consistent with the theory analysis on Fisher criterion values of ULDA vectors and FSLDA vectors. The experiments also show that the equivalent algorithm of ULDA, presented in this paper, is much more efficient than the original algorithm of ULDA, as the theory analysis expects. Moreover, it appears that if there is high statistical correlation between feature components extracted by FSLDA vectors, FSLDA will not perform well, in spite of larger Fisher criterion value owned by every FSLDA vector. However, when the average correlation coefficient of feature components extracted by FSLDA vectors is at a low level, the performance of FSLDA are comparable with ULDA.     

基于局部重构与全局保持的半监督判别分析方法

为克服线性判别分析(LDA)只能利用有标记样本的缺点,提出一种基于局部重构与全局保持的半监督判别分析(LRGPSSDA)方法.LRGPSSDA通过最小化局部重构误差来确定邻域图的边权值,在保持数据集局部结构的同时保持其全局结构,具有对邻域参数的选择不敏感、所得投影子空间的维数不受样本类别数的限制等特点.相较现有的半监督判别分析方法(如SDA和UDA),LRGPSSDA的分类性能更好.在YaleB和CMUPIE标准人脸库上的实验结果验证了该算法的有效性.     

基于模糊点数据的线性回归模型在判别分析中的应用

在经典回归分析理论中,训练数据在回归方程的构建中是被同等对待的.然而,在许多实际问题中,训练数据的作用是不同的,通常有些训练数据比其他数据更重要.为此,给每个训练数据赋予一个置信权重(这里的样本称为模糊点样本数据),并且给出了确定该置信权重的几种常用方法,讨论了基于模糊点数据的线性回归模型用于判别分析的情况.最后给出了数值例子.     

判别分析中错判的概率及修正

在判别分析中,无论采用那种判别方法,错判是不可避免的.错判的来源主要有2方面,一是各类总体的均值相近,另一是各总体的协方差的非齐性,针对各种原因给出相应的修正原则和方法.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征,得到更加全面反映原始样本的鉴别特征集,提出了基于典型相关分析的增强线性鉴别分析方法.利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征,根据典型相关分析对这两组特征进行融合,获得更具鉴别力的典型鉴别特征.经过ORL标准人脸库实验,验证了所提算法的有效性.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征，得到更加全面反映原始样本的鉴别特征集，提出了基于典型相关分析的增强线性鉴别分析方法．利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征，根据典型相关分析对这两组特征进行融合，获得更具鉴别力的典型鉴别特征．经过ORL标准人脸库实验，验证了所提算法的有效性．     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.