设为首页 加入收藏 期刊导航 网站地图
  • 首页
  • 期刊
    • 数学与物理
    • 地球与环境
    • 信息通讯
    • 经济与管理
    • 生命科学
    • 工程技术
    • 医药卫生
    • 人文社科
    • 化学与材料
  • 会议
  • 合作
  • 新闻
  • 我们
  • 招聘
  • 千人智库
  • 我要投稿
  • 办刊

期刊菜单

  • ●领域
  • ●编委
  • ●投稿须知
  • ●最新文章
  • ●检索
  • ●投稿

文章导航

  • ●Abstract
  • ●Full-Text PDF
  • ●Full-Text HTML
  • ●Full-Text ePUB
  • ●Linked References
  • ●How to Cite this Article
AdvancesinAppliedMathematics应用数学进展,2023,12(1),400-410
PublishedOnlineJanuary2023inHans.https://www.hanspub.org/journal/aam
https://doi.org/10.12677/aam.2023.121043
一个新的填充函数在优化核聚类中的应用
夏俊杨
浙江师范大学,数学与计算机科学学院,浙江金华
收稿日期:2022年12月28日;录用日期:2023年1月21日;发布日期:2023年1月31日
摘要
针对约束优化问题,本文提出一个新的单参数填充函数,并设计相应算法。然后将此填充函数应
用于对聚类问题中的权重优化,结合聚类模型的过程给出相应算法步骤,运用Python对数据集
进行聚类分析并得出权重参数。最后,实验结果表明该填充函数算法的可行性。
关键词
填充函数,权重优化,聚类
ANewFilledFunctionandthe
ApplicationinOptimizingKernel
ClusteringProblem
JunyangXia
CollegeofMathematicsandComputerScience,ZhejiangNormalUniversity,JinhuaZhejiang
Received:Dec.28
th
,2022;accepted:Jan.21
st
,2023;published:Jan.31
st
,2023
Abstract
Inthispaper,weproposeanewoneparameterfilledfunctionforconstrainedopti-
文章引用:夏俊杨.一个新的填充函数在优化核聚类中的应用[J].应用数学进展,2023,12(1):
400-410.DOI:10.12677/aam.2023.121043
夏俊杨
mizationanddesignthecorrespondingalgorithm.Thenthisfilledfunctionisapplied
totheweightoptimizationofclusteringproblem,thecorrespondingalgorithmsteps
aregivenincombinationwiththeprocessofclusteringmodel,andPythonisused
toclusterthedatasetandobtaintheweightparameters.Finally,theexperimental
resultsshowthatthefilledfunctionalgorithmisfeasible.
Keywords
FilledFunction,WeightOptimization,Clustering
Copyright© 2023byauthor(s)andHansPublishersInc.
This work is licensed under theCreative Commons Attribution InternationalLicense (CCBY4.0).
http://creativecommons.org/licenses/by/4.0/
1.引用
填充函数法是求解非线性全局优化问题的一种确定性算法,由西安交通大学葛仁溥[1]教授首
先提出,随后张连生教授等[2–4]对填充函数的定义进行了改进,不少学者又相继提出了双参数填
充函数法[5]、单参数填充函数法[6,7]和无参数填充函数法[8].在文献[9]中针对无Lipschitz连
续而在目标函数满足强制条件时,提出了一类新的单参数填充函数来解决一般无约束最优化问题.
但在现实中,大多数的全局优化问题都有约束条件存在并且不一定满足强制性条件.在本文中避开
了强制性这个条件从而使得极小点可以在边界上达到.随后提出了一个新的单参数填充函数法,数
值实验结果表明该算法是有效可行的,并通过结合聚类模型的实例验证了该填充函数的实用性.
2.假设与定义
考虑如下不等式约束的全局优化问题(P):
minf(x),s.t.x∈S={x∈R
n
|g
i
(x)≤0,i=1,...,m}..(1)
其中f(x),g
i
(x),i=1,...,m:R
n
→R,是连续可微函数.
设x
∗
k
为问题(P)的当前局部极小点,针对问题(P)给出填充函数所满足的定义如下.
定义1[6]函数p(x,x
∗
k
,A)如果满足以下条件,则称它为f(x)在局部极小点x
∗
k
处的填充函
数.
(1)在R
n
空间中,x
∗
k
是p(x,x
∗
k
,A)的一个严格局部极大点;
DOI:10.12677/aam.2023.121043401应用数学进展
夏俊杨
(2)对任意的x∈S
1
∩S且x̸=x
∗
k
或x∈R
n
\S有∇p(x,x
∗
k
,A)̸=0,这里S
1
=
{x∈R
n
|f(x)≥f(x
∗
k
),g
i
(x)≤0,i=1,...,m};
(3)若x
∗
k
不是全局极小点,那么p(x,x
∗
k
,A)一定在S
2
={x∈S|f(x)<f(x
∗
k
),g
i
(x)≤0,
i=1,...,m上有局部极小点.
以上定义的填充函数的意义为:对于带约束的最优化问题,首先要考虑的就是所求出来的点
是否可行.由(2)知,要找的点一定在可行域内;其次,用填充函数解决全局最优化问题,目的是
找到比当前局部极小点更好的点,由(2)知,要找的点一定不会再比当前局部极小点高的水平集上
得到.若x
∗
k
是局部极小点但不是全局极小点,由(1)和(3),则可以从x
∗
k
的邻域中的任意一点出
发,用求带约束最优化问题的极小化方法极小化该填充函数,总能找到填充函数的局部极小点x
∗
0
,
由(3)知,f(x
∗
0
)<f(x
∗
k
),再由(2),对x∈S
1
∩S且x̸=x
∗
k
或x∈R
n
\S有∇p(x,x
∗
k
,A)̸=0,
得知x
∗
0
∈S
2
.
3.介绍
基于定义1,本文构造如下填充函数:
p(x,x
∗
k
,A)=
e
A·φ(f(x)−f(x
∗
k
))
1+∥x−x
∗
k
∥
2
+
1
A
{min[0,max(f(x)−f(x
∗
k
),g
i
(x),i=1,···,m)]}.(2)
其中
φ(t)={1,t≥0,0,t<0.(3)
这里x
∗
k
是问题(1)的当前局部极小点,A>0是参数.由以下定理易知函数p(x,x
∗
k
,A)是满足定
义1的一个填充函数.
定理1:设x
∗
k
是f(x)的一个局部极小点,当A>0时,x
∗
k
是填充函数p(x,x
∗
k
,A)的一个
严格局部极大点.
证明 因为x
∗
k
是f(x)的一个局部极小点,存在它的一个领域N(x
∗
k
,δ),( δ>0),对任意的
x∈N(x
∗
k
,δ)∩S且x̸=x
∗
k
或x∈R
n
\S,有f(x)≥f(x
∗
k
).于是φ(x)=1.则有
min[0,max(f(x)−f(x
∗
k
),g
i
(x),i=1,···,m)]=0,
于是
p(x,x
∗
k
,A)=
e
A·φ(f(x)−f(x
∗
k
))
1+∥x−x
∗
k
∥
2
=
e
A
1+∥x−x
∗
k
∥
2
.
由于A>0,得到
DOI:10.12677/aam.2023.121043402应用数学进展
夏俊杨
e
A
1+∥x−x
∗
k
∥
2
<1<e
A
=P(x
∗
k
,x
∗
k
,A).
所以对任意的x∈(x
∗
k
,δ)

S,x̸=x
∗
k
,或x∈R
n
\S,有P(x,x
∗
k
,A)<P(x
∗
k
,x
∗
k
,A),故填充
函数p(x,x
∗
k
,A)的一个严格局部极大点在x
∗
k
处取得.
定理2:设x
∗
k
是f(x)的一个局部极小点,对任意的A>0,p(x,x
∗
k
,A)在S
1
且x̸=x
∗
k
或
R
n
\S上有∇P(x,x
∗
k
,A)̸=0成立.
证明 对任意的x∈S
1
,且x̸=x
∗
k
或R
n
\S有
min[0,max(f(x)−f(x
∗
k
),g
i
(x),i=1,···,m)]=0.
此时
p(x,x
∗
k
,A)=
e
A·φ(f(x)−f(x
∗
k
))
1+∥x−x
∗
k
∥
2
=
e
A
1+∥x−x
∗
k
∥
2
,
从而
∇p(x,x
∗
k
,A)=
−2e
A
·(x−x
∗
k
)
(1+∥x−x
∗
k
∥
2
)
2
̸=0.
故对任意的x∈S
1
,对任意A>0且x̸=x
∗
k
或R
n
\S,有∇P(x,x
∗
k
,A)̸=0.
定理3:如果x
∗
k
不是f(x)的全局极小点,且clintS=clS,则当A>0充分大时,填充函数
P(x,x
∗
k
,A)在S
2
上一定存在局部极小点x
∗
0
,其中S
2
={xϵS|f(x)<f(x
∗
k
),g
i
(x)≤0,i=1,...,m}
非空.
证明 因为x
∗
k
是f(x)的局部极小点,不是f(x)的全局极小点,故S
2
̸=∅,存在f(x)的另
一个局部极小点x
∗
1
,使得f(x
∗
1
)<f(x
∗
k
),g
i
(x
∗
1
)≤0,i=1,...,m.
由于f(x),g
i
(x),i=1,...,m是连续函数,且clintS=clS,则一定存在x
∗
2
∈R
n
,使得
f(x
∗
2
)<f(x
∗
k
),g
i
(x
∗
2
)<0,i=1,...,m,
从而f(x
∗
2
)−f(x
∗
k
)<0,故φ[f(x
∗
2
)−f(x
∗
k
)]=0.max(f(x
∗
2
)−f(x
∗
k
),g
i
(x
∗
2
),i=1,...,m)<0.
则
p(x
∗
2
,x
∗
k
,A)=
e
A·φ(f(x
∗
2
)−f(x
∗
k
))
1+∥x
∗
2
−x
∗
k
∥
2
+
1
A
{min[0,max(f(x
∗
2
)−f(x
∗
k
),g
i
(x
∗
2
),i=1,···,m)]}
=
1
1+∥x
∗
2
−x
∗
k
∥
2
+
1
A
max(f(x
∗
2
)−f(x
∗
k
),g
i
(x
∗
2
),i=1,···,m).
另一方面,对任意的x∈∂S,至少存在一个指标i
∈
{1,···,m},使得g
i
1
(x)=0.
DOI:10.12677/aam.2023.121043403应用数学进展
夏俊杨
(i)x∈∂S,当f(x)≥f(x
∗
k
)时,则f(x)−f(x
∗
k
)≥0,因此,min[0,max(f(x)−f(x
∗
k
),g
i
(x),)]=0
(ii)x∈∂S,当f(x)<f(x
∗
k
)时,则f(x)−f(x
∗
k
)<0,因此,min[0,max(f(x)−f(x
∗
k
),g
i
(x),)]=0
综上∀x∈∂S都有min[0,max(f(x)−f(x
∗
k
),g
i
(x),i=1,···,m)]=0.
所以∀x∈∂S有
p(x,x
∗
k
,A)=
e
A·φ(f(x)−f(x
∗
k
))
1+∥x−x
∗
k
∥
2
+
1
A
·0=
e
A·φ(f(x)−f(x
∗
k
))
1+∥x−x
∗
k
∥
2
,
故当A>0时,有φ[f(x)−f(x
∗
k
)]≥0,则有e
A·φ[f(x)−f(x
∗
k
)]
≥1.
所以,当A充分小时,对∀x∈∂S,我们有P(x
∗
2
,x
∗
k
,A)<
1
1+
∥
x−x
∗
k
∥
2
≤P(x,x
∗
k
,A).因此存在一
点x
∗
0
∈S\∂S使得
min
x∈S
P(x,x
∗
k
,A)=min
x∈S\∂S
P(x,x
∗
k
,A)=P(x
∗
0
,x
∗
k
,A)≤P(x
∗
2
,x
∗
k
,A),
由于S\∂S是开集,于是A充分小时存在一点x
∗
0
∈S\∂S是p(x,x
∗
k
,A)的局部极小点,又由定理
2知x
∗
0
∈S
2
,定理得证.
综上所述,函数p(x,x
∗
k
,A)符合填充函数的定义.
4.算法和数值实验
根据上述填充函数p(x,x
∗
k
,A)的理论分析,提出以下关于问题(1)的填充函数算法:
步骤1初始步.选取初始点x
1
∈S,选取A
L
>0作为可接受的终止参数;令A=1,k=
1,0<r<1,一般取r=0.1;
步骤2以x
k
为初始点,运用已有的局部下降算法得到问题(1)的一个局部极小点,记作
x
∗
k
;
步骤3选取初始点列{x
i
k
|i=1,···,m},使得对某个δ
k
>0,有x
i
k+1
∈S\N(x
∗
k
,δ
k
);
步骤4令填充函数为p(x,x
∗
k
,A),i=1;
步骤5若i≤m,令x:=x
i
k+1
,转步骤6;否则,转步骤8;
步骤6若f(x)<f(x
∗
k
),且x∈S,则以x为初始点,运用已有的局部下降算法得到问题
(1)的局部极小点x
∗
k+1
,使得f(x
∗
k+1
)<f(x
∗
k
),令x
∗
k
=x
∗
k+1
,k=k+1,转步骤3;否则,转步
骤7;
步骤7沿方向D=−p(x,x
∗
k
,A),通过局部下降算法找到填充函数的一个新的点x,使得
p(x,x
∗
k
,A)能下降到一定程度使得p(x,x
∗
k+1
,A)<p(x,x
∗
k
,A).若在极小化过程中,x超出S的边
界,则令i=i+1,转步骤5,否则,转步骤6;
步骤8令A=r·A.若A>A
L
,转步骤4;否则,算法终止,视x
∗
k
为问题(1)的全局极
DOI:10.12677/aam.2023.121043404应用数学进展
夏俊杨
小点.
步骤3中对当前的局部极小点的初始点集选取方式为:令m=2n,并且初始点对称.例如,
当n=2时,初始点为:
x
∗
k
+δ(1,0),x
∗
k
+δ(0,1),x
∗
k
−δ(1,0),x
∗
k
−δ(0,1),
这里δ>0是预先给定的步长.
由定理3可知:步骤6中若出现f(x)<f(x
∗
k
),则x一定落在S
2
中,由此以x为初始点极
小化目标函数f(x),得到比当前的局部极小值更小的局部极小值.
由定理1得知若要使p(x,x
∗
k
,A)的局部极小点在x
∗
k
得到,则参数A应该充分小.在步骤8
中,减小A的值.若对所有的初始点已进行计算且A<A
L
,我们可以认为,根据现有的初始点,
找不到更小的局部极小点,所以把当前的局部极小点看作全局极小点,算法终止.
选取文献[8]中的无参数填充函数算例,用Python对以上算法进行编程,以便于计算结果的
比较.取m=4,记初始点为x
1
,迭代次数为k,全局极小点为x
∗
,全局极小值为f
∗
.
算例1SimplifiedRosenbrock
′
s函数
minf(x)=0.5(x
2
1
−x
2
)
2
+(x
1
−1)
2
s.t.−3≤x
1
≤3,
−3≤x
2
≤3.
已知该函数的全局极小点x
∗
=(1,1)
T
,全局极小值f
∗
=0.
Table1.Therunningresultofexample1
表1.算例1的运行结果
x
1
kx
∗
f
∗
本文(−2,2)
T
2(1,1)
T
0
(−3,3)
T
2(0.99999999,0.99999998)
T
1.6264×10
−16
文献[8](-2,2)
T
5(1,1)
T
1.23×10
−10
文献[8](-3,3)
T
6(1,1)
T
0
算例2
minf(x)=−25(x
1
−2)
2
−(x
2
−2)
2
−(x
3
−1)
2
−(x
4
−4)
2
−(x
5
−1)
2
−(x
6
−4)
2
s.t.(x
3
−3)
2
+x
4
≥4,(x
5
−3)
2
+x
6
≥4,x
1
−3x
2
≤2,
-x
1
+x
2
≤2,x
1
+x
2
≤6,x
1
+x
2
≥2,0
≤x
1
,x
4
≤6,0≤x
2
≤8,1≤x
3
,x
5
≤5,0≤x
6
≤10.
已知该函数的全局极小点x
∗
=(5,1,5,0,5,10)
T
,全局最优值f(x
∗
)=−310.
DOI:10.12677/aam.2023.121043405应用数学进展
夏俊杨
Table2.Therunningresultofexample2
表2.算例2的运行结果
x
1
kx
∗
f
∗
本文
(4.9402,1.0598,4.8895,
2.0000,5.0000,10.0000)
T
2
(4.9999,1.0000,5.0000,
0.0000,4.9998,10.0000)�
T
-309.9891
(5.0000,1.0000,5.0000,
1.7864,5.0000,9.9999)
T
2
(5.0000,1.0000,5.0000
0.0000,4.9998,9.9998)
T
-297.9349
文献[10]
(4.9402,1.0598,4.8895
2.0000,5.0000,10.0000)
T
2
(4.9680,1.0320,5.0000
1.9045,4.9136,10.0000)
T
-292.8629
文献[10]
(5.0000,1.0000,5.0000
4
(5.0000,1.0000,5.0000
-297.9349
表1和表2数值算例结果表明本文所构造的单参数填充函数在求解不等式约束的优化问题时是
有效可行的,对比文献[10]中的结果,本文的填充函数法计算精度相对较高.在算例2的结果表
明:利用填充函数进行优化后,目标函数能找到全局极小点,与文献[10]相比,函数值更优.
5.填充函数在聚类中的应用
5.1.聚类模型概述
聚类是指把相似的数据划分到一起,目标就是把相似的数据聚合到一起,聚类是机器学习中
一种无监督学习方法.支持向量机(SVM)是一种监督式学习方法,广泛应用于统计分类以及回归
分析中,通常是通过构造核映射将样本数据进行分类处理.本文的聚类模型表述如下.
聚类过程中通常会遇到原始样本空间过于复杂从而使得聚类模型不精确的情况,为了克服这
一难题,本文首先建立一个合适的核映射,将原始样本中的线性不可分问题通过核映射的方式转
化为高维特征空间中的线性可分问题,使得之后在特征空间中的聚类更精确.
给定一组数据(X
i
,y
i
),i=1,...,n.A
1
×A
2
×···×A
n
是数据在具有多种属性类型的m维
空间,某个区域内存在用来构造K类分类器的训练数据点对集
ˆ
S=<X
1
,y
1
>,<X
2
,y
2
>,···,<X
n
,y
n
>,其中X
i
=(x
i1
,x
i2
,···,x
im
)∈A
1
×A
2
×···×A
m
(i=
1,···,n)表示第i个训练数据点对在样本空间中的位置;y
i
∈{1,···,K}表示第i个训练数据
点对的所属类别标号.在聚类、分类研究中,为了体现出每一个属性对分类预测的不同作用,
为了描述数据点X
i
和X
j
之间的差异,会设定一个带权重的“距离”度量,即:D(X
i
,X
j
)=
(

m
k=1
(w
k
×d
2
k
(x
ik
,x
jk
)))
1
2
,其中w
k
表示样本空间中的属性权重参数,为构造一个能拟合训练
数据点对集
ˆ
S={<X
1
,y
1
>,<X
2
,y
2
>,···,<X
n
,y
n
>}的最优分类器,可以按照每个数据点对
所属的类别来划分,从而得到多个样本数据点子集的集合
¯
S=S
1
,S
2
,···,S
K
,其中第i个数据点
子集S
i
属于第i类;然后构造一个从样本空间到特征空间的映射Φ:A
1
×A
2
×···×A
m
→R
H
,
DOI:10.12677/aam.2023.121043406应用数学进展
夏俊杨
其中R
H
是高维特征空间,样本空间中的线性不可分问题通过核映射转换为高维特征空间中的线
性可分问题来使得之后的聚类更精确.因此构造核映射应该尽量满足两个条件,即:特征空间中每
个子聚类内数据点之间的距离尽可能小,特征空间中不同聚类之间数据点之间的距离足够大.构造
这样一个映射后,使样本空间中属于第i类的数据点子集S
i
的所有元素在特征空间的核映射下所
形成的像形成一个紧密的子聚类.
为了满足上述使得特征空间中每个子聚类内数据点之间的距离尽可能小的目的,可以建立如
下的优化问题将特征空间的聚类优化问题和原始样本空间的分类问题联系起来.为寻找一组适合样
本空间中的数据点对集的属性权重组,我们提出了一种基于核映射的填充函数法来优化属性权重.
优化属性权重向量w=(w
1
,w
2
,···,w
m
)
T
可描述为如下的优化问题:
minF(w)=
K

h=1

Φ(X
i
),Φ(X
j
)ϵF
h

D

F
(Φ(X
i
),Φ(X
j
))

2
=
K

h=1

X
i
,X
j
ϵS
h

2−2e

m
k=1
(
w
k·
d
2
k
(
x
ik
,x
jk
))
2σ
2

,
s.t.
m

k=1
w
k
≤m,0≤w
k
≤1,(k=1,2,···,m).(4)
其中,F(w)表示同一个聚类块内,像向量最大限度地接近以保证数据点尽可能地接近聚类中心.

F
为特征空间的映射集,F
h
为映射集第h个子聚类.Φ(X
i
),Φ(X
j
)是第h个子聚类的两个像向量.
为了满足上述使得特征空间中每个子聚类数据点之间的距离尽可能大的目的,可以建立如下
的优化问题将特征空间的聚类优化问题和原始样本空间的分类问题联系起来.
maxG(w)=

F
h
̸=F
r

Φ(X
i
)∈F
h
,Φ(X
j
)∈F
r

D

F
(Φ(X
i
),Φ(X
j
))

2
=

S
h
̸=S
r

X
i
∈S
h
,X
j
∈S
r

2−2e
−

m
k=1
(
w
k·
d
2
k
(
x
ik
,x
jk
))
2σ
2

,
s.t.
m

k=1
w
k
≤m,0≤w
k
≤1,(k=1,2,···,m).
上式中,Φ(X
i
)和Φ(X
j
)分别是特征空间中第h个子聚类F
h
(h=1,·,K)和第r个子聚类
F
r
(r=1,···,K)的两个像向量.σ表示高斯核函数的宽度,本文用固定核宽度表示.d
k
(x
ik
,x
jk
)
根据第k个属性的类型决定其具体定义式.如果第k个属性是无序类别属性,则定义为
d
k
(x
ik
,x
jk
)={0,x
ij
=x
jk
,1,x
ik
̸=x
jk
.
如果第k个属性是有序类别属性,则定义为d
k
(x
ik
,x
jk
)=|x
ik
−x
jk
|.一般设定

m
k=1
w
k
≤m,
0≤w
k
≤1(k=1,···,m)是为了将权重归一化.
DOI:10.12677/aam.2023.121043407应用数学进展
夏俊杨
为了找到更优配置的属性权重向量,使建立在加权后的“距离”度量下的分类器的分类效果
更佳,可构造F(W)和G(W)的一个最小化混合目标函数:
minE(W,λ)=λ·F(W)−(1−λ)·G(W)
s.t.
m

k=1
w
k
≤m,0≤w
k
≤1,(k=1,2,···,m).(5)
5.2.用填充函数法求解聚类模型
根据上节填充函数P(x,x
∗
,A)的理论依据,提出了求解上述优化问题(4)的算法.
步骤1初始步.选取初始点w
1
∈S,其中S是问题(4)中w
k
的取值范围.选取A
L
>0作
为终止参数;令A=1,k=1,0<r<1,一般取r=0.1;
步骤2以w
k
为初始点,应用梯度下降算法求得问题(4)的一个局部极小点,记作w
∗
k
;
步骤3选取初始点列{w
i
k
|i=1,2,···,m},使得对某个δ
k
>0,有w
i
k+1
∈S\N(w
∗
k
,δ
k
);
步骤4令填充函数为p(w,w
∗
k
,A),i=1;
步骤5若i≤m,令w:=w
i
k+1
,转步骤6;否则,转步骤8;
步骤6若F(w)<F(w
∗
k
),且w∈S,则以w为初始点,应用梯度下降算法求问题(4)的局
部极小点w
∗
k+1
,使得F(w
∗
k+1
)<F(w
∗
k
),令w
∗
k
=w
∗
k+1
,k=k+1,转步骤3;否则,转步骤7;
步骤7沿方向D=−p(w,w
∗
k
,A),使用梯度下降算法找到填充函数的一个新的点w,使得
p(w,w
∗
k
,A)能下降到一定程度使得p(w,w
∗
k+1
,A)<p(w,w
∗
k
,A).若在极小化过程中,w超出S的
边界,则令i=i+1,转步骤5,否则,转步骤6;
步骤8令A=r·A.若A>A
L
,转步骤4;否则,算法终止,视w
∗
k
为问题(4)的全局极
小点.
步骤3中的初始点集选取为:m=2n,对当前的局部极小点,假设初始点是对称的.例如,
当n=4时,初始点为:
w
∗
k
+α(1,0,0,0)
T
,x
∗
k
+α(0,1,0,0)
T
,x
∗
k
−α(1,0,0,0)
T
,x
∗
k
−α(0,1,0,0)
T
,...,
这里α>0是预先给定的步长.
对于步6,我们首先比较F(w)与F(w
∗
k
)的大小,若F(w)<F(w
∗
k
))直接进入极小化目标函
数阶段,不需要在该点处极小化填充函数,用Python编码上述算法,选取不同的初始点和步长代
入算法中,代码运行得到最终结果后发现当选取适当的初始点和步长时,得到的最小值为全局最
优解.
5.3.模型结果的比较和分析
通过对文献[11]中鸢尾花数据进行聚类分析,已知有四个属性共同决定鸢尾花类别时,为了
使得在同一聚类中的像向量距离最小,在不同聚类中的像向量距离最大,即使得聚类块更紧密,
DOI:10.12677/aam.2023.121043408应用数学进展
夏俊杨
通过填充函数优化混合目标函数的极小值得到的权重向量.图1表示未用填充函数进行优化时得到
的函数值.图1表示在运用填充函数对上述问题进行优化后得出的最优值.
Figure1.Objectivefunctionvalues
图1.目标函数值
通过以上过程可以看出当W=(0.34294512,0.13697411,0.06632191,0.45375887)
T
时得到图
1的最优权重参数,此时目标函数值为15000.图1在未用填充函数法对目标函数优化情况下得到
的函数值为20000.由此可以看出利用填充函数后得到的优化效果更好.
6.总结
本文提出了一类单参数填充函数,新设计的填充函数算法解决了不等式约束[12]的优化问题,
由于不需要考虑强制性条件的情况,并且运用填充函数进行优化时可以使得原目标函数跳出当前
局部极小点,找到全局极小点,因此该方法更具有精确性.
通过引入基于核映射的属性权重自适应优化模型,结合填充函数法进行求解,通过分析虹膜
数据集来证实了算法在聚类问题中的可用性.
参考文献
[1]Ge,R.P.(1990)TheFilledFunctionTransformationsforConstrainedGlobalOptimization.Ap-
pliedMathematics andComputation,39, 1-20.https://doi.org/10.1016/0096-3003(90)90118-M
[2]张连生.求解全局优化的填充函数法的进展[C]//中国运筹学会.2001年全国数学规划及运筹
研讨会论文集.贵阳:贵州大学学报编辑部,2001:154-156.
[3]王伟祥,尚有林,张连生.约束全局优化问题的一个单参数填充函数方法[J].工程数学学报,
2008,25(5):795-803.
DOI:10.12677/aam.2023.121043409应用数学进展
夏俊杨
[4]朱文兴.一类不依赖于局部极小解个数的填充函数法[J],统计科学与数学,2002,22(4):
406-413.
[5]孔敏.一类改进的非光滑规划的填充函数法[J],统计科学与数学,2004,20(4):149-154.
[6]钟以维,徐应涛,张莹.用填充函数法改进的人脸识别算法[J].计算机技术与发展,2009,19(8):
78-81.
[7]Wang,W.X.,Shang,Y.L.andZhang,L.S.(2007)AFilledFunctionMethodforGlobalOpti-
mizationProblem.OperationsResearchTransactions,11,43-50.
[8]吴波,高岳林.全局优化问题的一个无参数填充函数算法[J].数学的实践与认识,2017,47(4):
170-174.
[9]Zhang,Y.,Zhang,L.S. and Xu,Y.T. (2010) AOne-Parameter Filled Function for Nonsmooth
GlobalOptimizationandItsApplication.JournalofSystemsScienceandComplexity,23,
1195-1209.https://doi.org/10.1007/s11424-010-7199-5
[10]赵德芬,王薇.一类求解约束全局优化问题的填充函数[J].运筹学学报,2010,14(2):119-126.
[11]陈新泉.一种基于核映射的自适应优化配置属性权重组的方法[J].数值计算与计算机应用,
2008,29(2):105-118.
[12]陈佳利,张莹,王胜刚,谢笑盈.一个新的填充函数及其在数据拟合问题中的应用[J].运筹学学
报,2021,25(1):81-88.
DOI:10.12677/aam.2023.121043410应用数学进展

版权所有:汉斯出版社 (Hans Publishers) Copyright © 2021 Hans Publishers Inc. All rights reserved.