《表5 所提方法与均匀新增样本法的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于神经网络的仿真优化算法设计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如果不采取第3.2节的增补样本策略，而是在整个可行域上均匀生成样本点，要实现局部极小区域（即增补区间）的样本密度，所需新增的样本数量将大幅增加。如图12所示，由于两个增补区间的面积均为0.049 4（=0.222 2×0.222 2），要达到同等的增补样本密度，均匀生成样本法在整个可行域（x1∈[-1，1]，x2∈[-1，1]）上需要增补的样本数量将是所提方法的81倍（=2×2/0.049 4）。例如，对于每个局部极小点附近新增2个样本点的情况，如表5所示，所提方法需要在两个局部极小附近各增补2个样本点，即共需新增4个样本点，如果用均匀新增样本法，要达到同样的样本密度，则需要新增162个样本点，比所提方法需要多生成158个样本点。类似地，对于新增5个样本点的情况，如果用均匀新增样本法，则需要新增405个样本点，比所提方法需要多生成395个样本点。这些多出的样本点实际是用来精细化描述图2（b）中不需要精确拟合的部分，对于找到局部极小没有贡献，浪费了运算资源和时间。对于实际问题而言，如果局部极小增补区间相比整个可行域非常小，则所提方法可大幅节省运算资源和时间，从而大幅提升仿真优化的速度，这是因为该方法避免了在其他区域生成不必要的样本，提高了求解效率。