求解大规模界约束优化问题的有效集识别策略.docxVIP

求解大规模界约束优化问题的有效集识别策略 1. 基于投影搜索的大规模界 考虑到以下限制。 其中x,l,u∈R 所谓有效集识别策略,即用一个工作集来估计最优解处的有效约束,工作集随着迭代的进行不断的被修正.最初的有效集方法采取线搜索策略,每次迭代仅允许一个约束增加到工作集或从工作集去掉,此类方法只适合于求解小规模或中等规模的问题,在处理大规模问题时,若选取了不好的初始点,算法的效率会很低. 针对界约束问题,近年来人们提出了许多有效的算法,它们允许多个有效约束指标进出有效集.其中一个策略是通过投影搜索确定有效集,参见文献 本文通过一个求解大规模界约束问题的有效集拟牛顿算法,比较了三种有效集识别策略的优缺点.这一有效集拟牛顿算法产生可行迭代点列,其迭代格式为x 文中所采用的记号如下:对于n×n矩阵M,其元素记为M 2. svm算法和算法 界约束最优化问题的应用背景十分广泛,如轴颈轴承问题以及支持向量机等均可转化为界约束问题求解.本部分以支持向量机为例给出说明. 支持向量机(Support Vector Machine,简称SVM)是解决分类问题的一类有效算法.考虑n维空间上的分类问题,它包含n个指标(x∈R T={(x 其中x C-支持向量机的问题模型为 其中C为间隔最大化和错分最小化的权衡系数,ξ 引入问题(2.1)的对偶问题, 其中H为核矩阵,α为问题(2.1)的拉格朗日乘子.需要