MLMSRBF

当多峰优化的全局函数的代价函数不可用时，我们引入了一种新的全局函数求导基。提出的随机响应面（SRS）方法迭代地利用响应面模型来逼近代价函数，并从一组随机生成的点（称为候选点）中识别出一个有希望进行函数评估的点。假设某些温和的技术条件，SRS在概率意义下收敛到全局最小值。我们还提出了度量SRS（Metric SRS，MSRS），它是SRS的一种特例，根据响应面模型得到的函数估计值和与先前评估点的最小距离两个准则，选择每次迭代中的函数评估点作为最佳候选点。我们开发了MSRS的全局优化版本和多阶段局部优化版本。在数值实验中，我们将径向基函数（RBF）模型用于MSRS，并将得到的算法（全局MSRBF和多段局部MSRBF）与6种可选的全局优化方法（包括基于多段导数的局部优化方法）进行了比较。在17个多模态试验问题和12维地下水生物修复应用中，比较了所有算法的多次试验。结果表明，对于大多数高维问题，包括地下水问题，多段局部MSRBF方法效果最好。对于大多数低维问题，它至少和其他算法一样好。在大多数低维试验问题和地下水问题上，全球MSRBF网络与其他备选方案相比具有竞争力。这些结果表明，MSRBF是一种很有前途的代价函数全局优化方法。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH参考文献（参考 31篇文章

显示第1到第20个结果，共31个。
按年份排序(引用)
  1. 孙鲁宁，高，韩，潘，邵武，王建勋：基于物理约束的无模拟数据深度学习的流体流动替代建模（2020）
  2. Mohammad Ahmaward；Esmaeilbeigi，Mohsen；Kamandi，Ahmad；Yaghoobi，Farajollah Mohammadi：基于点排序和MLE技术的改进混合轨道算法（2019）
  3. He，Jiachuan；Mattis，Steven A.；Butler，Troy D.；Dawson，Clint N.：使用支持向量机进行预测流量和运输建模的数据驱动不确定性量化（2019年）
  4. Larson，Jeffrey；Menickelly，Matt；Wild，Stefan M.：无导数优化方法（2019年）
  5. Costa，Alberto；Nannicini，Giacomo:RBFOpt:一个用于黑盒优化的开源库，具有昂贵的函数评估（2018）
  6. Zhou，Zhe；Bai，Fusheng：基于径向基函数插值的代价高昂的黑盒全局优化自适应框架（2018）
  7. 周哲；白福生：一种求解代价黑箱优化的随机自适应径向基函数算法（2018）
  8. Beiranvand，Vahid；Hare，Warren；Lucet，Yves:比较优化算法的最佳实践（2017）
  9. Boukouvala，Fani；Faruque Hasan，M.M.；Floudas，Christodoulos A.：一般约束灰箱模型的全局优化：用于变压吸附的约束偏微分方程的新方法及其应用（2017）
  10. Corveleyn，Samuel；Vandewalle，Stefan:基于低秩张量近似的模糊输入函数的输出计算（2017）
  11. D'Ambrosio，Claudia；Nannicini，Giacomo；Sartor，Giorgio:MILP模型，用于选择一小组均匀分布点（2017年）
  12. Martinez，Nadia；Anahideh，Hadis；Rosenberger，Jay M.；Martinez，Diana；Chen，Victoria C.P.；Wang，Bo Ping:非凸分段线性回归样条的全局优化（2017）
  13. Müller，Juliane；Woodbury，Joshua D.：GOSAC：约束替代近似的全局优化（2017）
  14. Rahmanpour，Fardin；Hosseini，Mohammad Mehdi；Maalek Ghaini，Farid Mohammad：基于径向基函数的非光滑约束优化的无惩罚方法（2017）
  15. Vu，Ky Khac；D'Ambrosio，Claudia；Hamadi，Youssef；Liberti，Leo：基于代理的黑盒优化方法（2017）
  16. Akhtar，Taimoor；Shoemaker，Christine A.：具有RBF代理和多规则选择的计算开销多模态函数的多目标优化（2016）
  17. Boukouvala，Fani；Misener，Ruth；Floudas，Christodoulos A.：混合整数非线性规划的全局优化进展，MINLP和约束无导数优化，CDFO（2016）
  18. 使用递归基和局部多项式（Warrelt basis，and Bowell Powell，2016）；使用局部多项式逼近法（Dirichart，2016）
  19. Krityakierne，Tipaluck；Akhtar，Taimoor；Shoemaker，Christine A.：SOP：计算代价高昂的单目标问题的并行代理全局优化（Pareto center selection）（2016）
  20. Müller，Juliane:MISO:混合整数代理优化框架（2016）

更多出版物请访问：http://people.sju.edu/~rregis/pages/publications.html