基于增量svr模型的改进全局优化算法

svr(支持向量回归)是一种具有较强稳健性的小样本学习方法，它可有效避免“维数灾难”，并被引入到全局优化中。然而现有的基于svr的全局优化算法存在佑值次数多、无法应对高维优化问题等缺点。提出了一种基于增量svr模型的新的改进全局优化算法disvr:采用增量svr方法提高过程响应面的重构效率;采用一种新的增量i_hd(工;atinhypcr-cubcsampling)方法确保样本集分布均匀;采用direci’搜索算法提高全局搜索的稳定性和效率。最后，通过多个测试函数表明，该算法既降低了时间复杂度，也有效减少了源模型的估值次数。