基于自适应局部搜索的进化多目标稀疏重构方法
发布时间:2024-03-26 00:31
在稀疏重构中,重构误差项和稀疏项通常使用一个正则化参数聚合成单目标函数,很难实现2个目标的均衡优化,这个缺陷通常导致稀疏重构精度低.为此,提出一种自适应局部搜索的多目标进化算法.首先,基于范数和l1范数和l1/2范数分别设计了2种梯度迭代软阈值法的局部搜索方法求得相应解,这2种局部搜索方法可以提高解的收敛速度和精确度;其次,通过比较对应的目标函数值来竞争选取每轮的优胜解;然后,采用基于竞争成功率的自适应择优局部搜索方法来产生后期解;最后,在帕雷托前沿面的膝盖区域上采用角度法选取最优解.实验结果表明:测量误差和稀疏项可以达到平衡,在重构精度方面,提出的方法远高于现有的传统单目标方法.相比于StEMO算法,当测量维度M=600时,该方法可以提高33.8%;当噪声强度δ=0.002时可以提高82.7%;当稀疏率K/N=0.3时可以提高7.38%.
【文章页数】:12 页
【部分图文】:
本文编号:3939087
【文章页数】:12 页
【部分图文】:
图1自适应局部搜索方法流程Fig.1Adaptivelocalsearchmethodframework
3π-23arccosα8tkxki3()-τ(())(),其中,τ=32,t=2.3.7自适应局部搜索方法设计为了提升解的精度,本文将3.6节中的局部搜索方法结合到进化算法中实现自适应局部搜索方法,一方面可以加速算法收敛速度从而在较短的时间内获得帕雷托最优解集(Paretoop....
图2最优解的产生流程示例Fig.2Theillustrationoftheoptimalsolutiongenerationprocess
图9不同测量维度M下的重构误差Fig.9TheEaondifferentM
1组实验,观测向量y中加入了服从N(0,0.01)分布的噪声,图9~12中每一个数据是经过10次独立重复实验后所得的平均重构误差(averageestimationerror),表示为Ea.比较算法中所用的容忍参数为ε=0.3,α=0.02.Fig.9TheEaondiffere....
图10不同噪声强度δ下的重构误差Fig.10TheEaondifferentnoiselevel
1组实验,观测向量y中加入了服从N(0,0.01)分布的噪声,图9~12中每一个数据是经过10次独立重复实验后所得的平均重构误差(averageestimationerror),表示为Ea.比较算法中所用的容忍参数为ε=0.3,α=0.02.Fig.9TheEaondiffere....
本文编号:3939087
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3939087.html