基于遗传算法和支持向量机的故障诊断方法

支持向量机是一种采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力,广泛的应用于故障诊断和函数拟合中;以某型直升机机载电气盒的故障诊断为实验平台,提出了一种自适应遗传算法和最小二乘支持向量机相结合的故障诊断方法,利用自适应遗传算法强大的全局搜索能力对最小二乘支持向量机的参数进行寻优;仿真结果表明,基于自适应遗传算法优化的最小二乘支持向量机取得了较好的故障诊断精度和效率.     

一种推广高斯核模型设计及其优化

支持向量机分类中,不同属性对分类的贡献往往不同,针对此问题,在核函数中引入属性权重,提出一种推广的高斯核模型,同时以最小化k-fold交叉验证误差为目标,采用粒子群算法进行推广高斯核的模型选择。最后通过UCI上标准数据集进行实验,证实该方法能够有效提高支持向量机的推广能力。     

遗传优化的LSSVM在故障诊断中的仿真研究

研究机载电气故障诊断问题,采用支持向量方法.支持向量机是一种采用结构风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力.支持向量机的参数选择非常重要,决定故障诊断的精确度.针对最小二乘支持向量机的参数通常靠交叉试验来确定的情况,为了提高故障诊断的精度和效率,提出了一种模拟退火遗传算法和最小二乘支持向量机相结合的故障诊断方法,利用模拟退火遗传算法的全局搜索能力对最小二乘支持向量机的参数进行寻优,并以某型直升机机载电气盒的故障诊断为例对方法进行了仿真研究.实验结果表明,模拟退火遗传算法优化的最小二乘支持向量机取得了较好的故障诊断效果.     

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术,与传统人工神经网络不同之处在于前者基于结构风险最小化原理,后者基于经验风险最小化原理。支持向量机不仅结构简单,而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理,并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋,分别以平面点集分类、手写体汉字识别及双螺旋线识别为例,在不同的结构参数下进行了仿真实验,并对3种核函数的分类特性进行了对比分析,给出了在不同模式识别问题中3种核函数的选择条件。     

基于混合核函数PSO-SVM的模拟电路故障诊断

针对模拟电路故障诊断中应用传统支持向量机算法存在的问题,提出由粒子群算法优化混合核函数支持向量机模型对模拟电路进行故障诊断的新方法。首先,对待诊断电路进行瞬态分析,记录输出点的电压值,采用小波包技术对输出值进行特征提取;其次,由粒子群算法优化混合核函数支持向量机的核函数权重和结构参数,用训练好的模型进行故障诊断,该方法不仅降低参数选择时的随机性,而且故障诊断的精确度提升了5%左右。在对某高通滤波器模拟电路进行的故障诊断中,验证了该方法的有效性。     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

基于PSO算法的支持向量机核参数选择问题研究

核函数中的参数选择是支持向量机中的一个非常重要的问题,它直接影响到模型的推广能力.本文提出了采用粒子群算法搜索支持向量机最优核参数的方法,并在Checker数据集上进行了实验,实验结果表明,通过这种方法选择出来的核参数能够提高分类正确率以及预测正确率,具有一定的实用性.     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

一种基于改进支持向量机的文本倾向性分类算法

文本的倾向性分类器是文本倾向性分类的核心部分,它用于将待分类的文本映射到某一倾向性类别中去。传统支持向量机的核函数学习能力和泛化推广能力的平衡性有待提高,而且参数选择不易。对目前文本倾向性分类算法使用的传统的支持向量机进行了改进,一是构造了多核函数;二是使用粒子群算法对支持向量机的参数进行优化,平衡了核函数的全局性和局部性,更有利于对样本数据的学习和推广;最后利用改进的支持向量机构造文本倾向性分类算法。     

基于支持向量机的脑-机接口模式分类和模型参数研究

脑—机接口（BCI）是连接大脑和计算机及外部设备的通讯系统,通过连续小波变换（CWT）对采集的脑电信号进行分解,构造由多个尺度对应的方差构成的多维向量,应用支持向量机（SVM）进行分类识别,取得了良好的效果。基于统计学习理论的结构化风险最小化原则,研究了高斯核支持向量机误差惩罚参数C和高斯核参数σ对支持向量机性能的影响,使用仿真实验验证了传统的经验风险最小化原则不能保证良好的推广能力,提出了综合调整参数σ和参数C的方法以优化支持向量机的性能。     

一种新型无约束优化方法的研究

提出了一种新型无约束全局优化方法。主要是从当前常用算法的优化过程中总结出共性—反馈特性,然后利用反馈控制系统来实现这种优化特性。在这种智能计算系统中,将无约束优化问题的目标函数作为控制对象,将PID控制器作为一种优化算法。由于传统PID方法容易达到局部极小点,提出了多系统并行PID优化方法。最后采用基准函数对此优化算法进行测试,并与几种不同类型的改进优化算法进行对比,数值实验结果验证了此种算法的有效性。     

Spark性能优化技术研究综述

近年来,随着大数据时代的到来,大数据处理平台发展迅速,产生了诸如Hadoop,Spark,Storm等优秀的大数据处理平台,其中Spark最为突出。随着Spark在国内外的广泛应用,其许多性能问题尚待解决。由于Spark底层 的执行机制极为复杂,用户很难找到其性能瓶颈,更不要说进一步的优化。针对以上问题, 从开发原则优化、内存优化、配置参数优化、调度优化、Shuffle过程优化5个方面对 目前国内外的Spark优化技术进行总结和分析。最后,总结了目前Spark优化技术新的核心问题,并提出了未来的主要研究方向。     

一种基于混沌的自适应粒子群全局优化方法

充分利用粒子群优化算法的收敛速度较快及混沌运动的遍历性、随机性以及对初值的敏感性等特性,考虑到惯性因子对多样性的影响,通过引入早熟收敛程度评价机制,采用逻辑自映射函数来产生混沌序列,提出一种基于混沌思想的自适应混沌粒子群优化（ACPSO）算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。仿真结果表明提出的自适应混沌粒子群优化算法的性能明显优于一般混沌粒子群优化算法。     

粒子群算法在组合优化问题上的研究与发展

粒子群优化算法是一种新兴的基于群智能搜索的优化技术。该算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。介绍了算法的基本原理和算法在组合优化上一些改进方法的主要应用形式。最后,对粒子群算法作了一些深入分析并在此基础上对粒子群算法应用于组合优化问题做了一些总结。     

Tent混沌粒子群算法及其在结构优化决策中的应用

首先对Tent混沌序列加以改进,将其引入粒子群算法中;然后提出一种基于改进的Tent映射的粒子群算法.采取分阶段更新的优化策略,使其在搜索初期更具遍历性,在搜索后期,通过人为更替最差粒子的速度和位置,使算法具有更快的收敛速度与更好的全局搜索能力.构建一种资源配置结构优化模型,并将改进的Tent映射粒子群算法引入资源配置结构优化决策中,在寻优速度、精度和成功率等方面均显示出良好的优化效果.     

基于Riverbed的ITER广域网优化方案

为了满足参与国际热核聚变实验堆(ITER)各采购包对CN DA和ITER之间的网络性能不断增长的需求,给出一个基于Riverbed的ITER网链路优化加速解决方案。 Riverbed实现了三层优化系统RIOS, RIOS在数据层、传输层和应用层实现了数据优化和协议优化,此外RIOS支持丰富的QoS标志和加速设备负载均衡和冗余的高可用性集群技术,同时RIOS实现了管理优化,使得网络部署更加容易和快捷。     

并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.     

生物能源生产多目标优化模型的研究

一个能够同时优化生物能源的生产供应链,包括环境、经济和社会方面影响的多目标优化模型,模拟和优化了综合的生物能生产系统,即用数种不同类的生物质原料以生产电能、热能和可燃气的系统。该系统包含可供用户选择的多种技术,以模块的形式体现在单元过程中。通过模型生命周期的评价(LCA),最终优化目标确定为解决最小化能量生产成本、最大化节能潜力、最小化环境负担、根据用户选择最大或最小化工人数和最大化生物能系统总效率。通过平衡环境和社会责任,本研究结果可帮助计划和生产人员有效地提高生物质系统的经济竞争力。     

基于文化的连续蚂蚁优化算法的研究*

针对蚂蚁优化算法在求解连续空间问题方面的缺陷,提出一种基于文化的连续蚂蚁优化算法。该算法将蚂蚁优化算法纳入文化算法的框架,组成基于蚂蚁优化算法的主群体和信念的两大空间。在知识和群体层面使用双重进化机制支持问题的求解和知识的提取,从而充分利用精英蚂蚁所携带的特征信息,在很大程度上提高了收敛速度,增强了搜索的多样性。实验结果表明,该算法求解速度快、寻优成功率高,是一种提高蚂蚁优化算法性能的有效算法。     

Many-objective evolutionary optimization based on reference points

Many-objective optimization problems are common in real-world applications, few evolutionary optimization methods, however, are suitable for solving them up to date due to their difficulties. A reference points-based evolutionary algorithm (RPEA) was proposed in this paper to solve many-objective optimization problems. The aim of this study is to exploit the potential of the reference points-based approach to strengthen the selection pressure towards the Pareto front while maintaining an extensive and uniform distribution among solutions. In RPEA, a series of reference points with good performances in convergence and distribution are continuously generated according to the current population to guide the evolution. Furthermore, superior individuals are selected based on the evaluation of each individual by calculating the distances between the reference points and the individual in the objective space. The proposed algorithm was applied to seven benchmark optimization problems and compared with ɛ-MOEA, HypE, MOEA/D and NSGA-III. The results empirically show that the proposed algorithm has a good adaptability to problems with irregular or degenerate Pareto fronts, whereas the other reference points-based algorithms do not. Moreover, it outperforms the other four in 8 out of 21 test instances, demonstrating that it has an advantage in obtaining a Pareto optimal set with good performances.