基于支持向量回歸的全局仿真優(yōu)化算法.pdf

1、囿于傳統(tǒng)全局優(yōu)化方法及其它基于替代模型的全局仿真優(yōu)化方法存在估值次數(shù)多、無法應(yīng)對高維優(yōu)化問題等缺點,近些年開始流行基于“黑箱”的元模型(響應(yīng)面)方法,主要包括基于SVR、基于RSM、基于Kriging、基于RBF等元模型的全局優(yōu)化方法。該方法是以試驗設(shè)計與數(shù)理統(tǒng)計為基礎(chǔ)的函數(shù)逼近類全局優(yōu)化方法,可通過較少的試驗在設(shè)計變量和設(shè)計目標(biāo)之間獲得一個足夠準(zhǔn)確的函數(shù)關(guān)系,利用響應(yīng)面替代模型有效降低了優(yōu)化問題的計算成本。
　　支撐向量回歸(S

2、VR,Support Vector Regression)基于SVM理論,通過獲得訓(xùn)練樣本的最大間隔建立分類超平面,以構(gòu)造源模型的替代模型響應(yīng)面。目前存在的基于SVR的全局仿真優(yōu)化方法無法保證樣本數(shù)較少時,遴選出具有代表性的樣本,使之覆蓋整個設(shè)計區(qū)間;重構(gòu)SVR模型時間較長;最優(yōu)點搜索速度較慢;不能有效應(yīng)對約束條件下的全局尋優(yōu)。
　　本文提出一種基于增量SVR模型的全局優(yōu)化算法DISVR:采用一種新的最小距離最大化增量LHD采樣方