基于模型决策树的AdaBoost算法

AdaBoost算法是一种将多个基学习器通过合理策略结合生成强学习器的集成算法,其性能取决于基学习器的准确率和多样性。但弱学习器分类精度不高往往也导致了最终强分类器性能较差,因此进一步为了提高算法的分类精确率,本文提出一种MDTAda模型,首先利用基尼指数迭代构造一棵不完全决策树,然后在决策树的非纯伪叶结点上添加简单分类器,生成MDT(模型决策树),将MDT作为AdaBoost算法的基分类器,加权平均生成强分类器。在标准数据集上的实验表明,相比传统的AdaBoost算法,本文提出的算法拥有更好的泛化性能和更优的间隔分布,且在与AdaBoost算法达到相同精度时所需迭代次数更少。     

电力系统状态估计算法的缺陷探究

电力系统的常用状态估计方法有加权最小二乘法估计和快速分解状态估计等。由于受到函数局部单调性和凹凸性的影响,即使给出了离真实根很近的初值,随着每次的迭代,状态估计方法结果将离真实根越来越远。因此考虑到在对目标函数进行极值求解中可以舍弃牛顿迭代法,采用其他的(例如粒子群进化算法)最优化方法进行尝试。     

一种针对于状态估计算法的敏感指标构建方法

针对信息融合领域内状态估计算法的性能评估问题,分析了当前常用评估指标的不足。提出了一种基于最优子模式分配的敏感指标构建方法,该指标利用两个可控参数对点迹位置误差与关联误差的敏感度进行合理分配。通过两组不同条件的实验,证明了在单目标环境下,OSPA距离具有与位置均方根误差相同的有效性与评估准确度;在多目标环境下,OSPA距离具有更高的使用灵活度与敏感度。     

平面尺寸链公差计算的简便方法

应用多元函数的偏微分理论和工艺尺寸链原理，提出一种简化平面尺寸链公差计算的方法，应用此方法可以简捷地计算平面孔系尺寸公差及平面尺寸链中的其它尺寸公差。     

求解板坯倒垛和落位问题的分布估计算法

针对钢铁企业板坯库的板坯倒垛问题,与以往的研究不同,考虑了在倒垛过程中压在目标板坯上的障碍板坯可以不倒回原垛位的作业模式.提出采用板坯在板坯库中的移动次数来衡量板坯库的作业负荷,建立了以移动次数为优化目标的整数规划模型.在对模型的求解中设计了基于概率模型进化的分布估计算法(estimation of distribution algorithm,EDA)来确定轧制单元对应的板坯,采用基于辐射邻域的启发式算法为障碍板坯寻找最佳的落位位置.通过不同规模的数据实验,探讨了参数对算法性能的影响,确定了有效的参数组合.并与当前常用的改进遗传算法、单亲遗传算法进行对比,验证了所提算法的有效性和鲁棒性.     

变动成本计算法的优越性分析

变动成本计算法在我国企业中尤其是中小企业中应用尚少,为了发挥其在企业管理中的优势作用,阐述了该算法的理论依据和特点,分析了该算法的五大优越性,即变动成本计算法比较符合配比性原则要求,提供的信息更符合企业管理者的需要,便于厘清各部门的责任业绩,计算过程简洁、提供成本信息质量可靠,广泛应用于企业多方面决策中.同时指出,将变动成本计算法与作业成本计算法结合应用,可以弥补其不足,从而在现代企业管理中使变动成本计算法得到更广泛的应用.     

改进的MIMIC算法在机械优化中的应用

将双变量相关的分布估计算法与微粒群算法结合起来,提出一种新的算法,用于解决机械工程中非线性多约束优化问题.新算法不仅保持了分布估计算法全局搜索能力强的优点,而且结合了微粒群算法局部搜索能力强的优点,还增加了种群的多样性,从而提高了算法的性能.将改进后的算法应用于压力容器和箱型主梁优化设计中,数值试验验证了新算法在处理非线性多约束问题时的有效性,具有很高的工程实用价值.