基于增量SVR模型的改进全局优化算法

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.

关键词：全局优化、响应面、支持向量回归、增量法

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金50775084,50975107

在线出版日期：2012-07-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：185-188