支持向量機與多目標進化算法融合技術及其應用研究.pdf

1、在科學研究和工程設計中，存在著大量的多目標非線性問題，對這類問題的建模與優(yōu)化一直是較難的課題，支持向量機作為一種專門研究小樣本情況下機器學習規(guī)律的理論，比傳統(tǒng)的統(tǒng)計學習理論和神經網絡具有更好的泛化推廣能力，能夠很好的解決非線性問題的建模問題。進化算法是一種模擬自然進化過程的隨機優(yōu)化方法，同時也是一種全局性概率優(yōu)化方法，用于多目標問題的進化算法不僅可以一次性獲得多目標優(yōu)化問題的大量Pareto 最優(yōu)解,而且其優(yōu)化結果具有良好的一致性，因此

2、多目標進化算法非常適合多目標優(yōu)化問題的求解。 本文通過對支持向量機原理的分析，在前人的工作基礎上，提出了改進的支持向量機算法，即針對支持向量機中的參數(shù)難以選擇的問題用差分進化算法來進行參數(shù)選擇，數(shù)值實驗表明改進的支持向量機算法能夠很好的解決其參數(shù)選擇問題。同時通過對多目標進化算法原理的分析與研究，結合目前兩種較為先進的算法——非支配排序進化算法和多目標差分進化算法，加入多項式變異算子，提出了改進的多目標進化算法，函數(shù)測試表明改進

3、的多目標進化算法在測試問題上優(yōu)于非支配排序進化算法，能夠很好的收斂于測試問題的Pareto 前沿而且具有很好的均勻分布性。 然后本文通過融合支持向量機與多目標進化算法，提出了一套多目標非線性問題的建模與優(yōu)化的計算框架，函數(shù)測試顯示性能良好。 針對提出的計算框架，本文將其應用于一個實例——某鋼鐵企業(yè)的產品質量性能與影響因素建模與優(yōu)化，結果顯示較好的解決了其建模與優(yōu)化的問題。本文最后結合企業(yè)的生產情況，給出了相應的生產建議，