基于增量SVR模型的改进全局优化算法

• 作者: 吴义忠 张爱莲 贾云峰
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: 全局优化 响应面 支持向量回归 增量法
• 年，卷（期）: 2012,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 185-188
• 分类号: TP391
• 字数: 3376字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-137X.2012.04.042

摘要

SVR(支持向量回归)是一种具有较强稳健性的小样本学习方法,它可有效避免“维数灾难”,并被引入到全局优化中.然而现有的基于SVR的全局优化算法存在估值次数多、无法应对高维优化问题等缺点.提出了一种基于增量SVR模型的新的改进全局优化算法DISVR:采用增量SVR方法提高过程响应面的重构效率；采用一种新的增量LHD(Latin Hyper-cube Sampling)方法确保样本集分布均匀；采用DIRECT搜索算法提高全局搜索的稳定性和效率.最后,通过多个测试函数表明,该算法既降低了时间复杂度,也有效减少了源模型的估值次数.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张爱莲	武汉纺织大学机电学院	5	106	4.0	5.0