针对装备各类故障样本分布不平衡、现有算法故障诊断精度较低的问题，通过引入p范数约束多核极限学习机和基于AdaBoost的集成学习策略，定义了一种p范数约束下正则化加权多核集成极限学习机的故障诊断模型。首先，在p范数约束下，基于各类故障样本自身规模，分别进行了两种自适应的样本权重分配；其次，在每层分类器的优化中，将多核学习的多源数据融合能力和极限学习机运算高效的特点相结合，同时，将样本的权重$ {\\boldsymbol{W}} $

第1章 最优化绪论 第2章 线性规划 第3章 网络流与动态规划 第4章 无约束最优化 第5章 有约束最优化 第6章 凸优化 第7章 大数据中的优化 第8章 总结

第四章无约束优化方法 1.概述 2.最速下降法 3.牛顿型方法 4.梯度法及共轭梯度法; 5.DFP变尺度法 6.坐标轮换法; 7.鲍威尔法;

一阶必要条件 定理1:若(1)x*是等式约束问题的局部最优解; (2)f(x)与c(x)(i=1,2,)在x的某邻域内连续可微; (3)c,(x)(i=1,2,)线性无关;

第6章代数方程与最优化问题的计算机求解 一、代数方程的求解 二、无约束最优化问题求解 三、有约束最优化问题的计算机求解 四、混合整数规划问题的计算机求解 五、线性矩阵不等式问题求解 六、多目标优化问题求解 七、动态规划及其在路径规划中的应用

第二章优化设计的数学基础 一、机械优化设计是建立在多元函数的极值理论基础上 二、无约束优化问题就是数学上的无条件极值问题 三、约束优化问题则是数学上的条件极值问题

第一节 多元函数的方向导数与梯度 第二节 多元函数的泰勒展开 第三节 凸集、凸函数与凸规划 第四节 等式约束优化问题的极值条件 第五节 不等式约束优化问题的极值条件

§2-1 方向导数与梯度 §2-2 凸集、凸函数与凸规划 §2-3 二次函数及正定矩阵 §2-4 无约束优化问题的极值条件 §2-5 有约束优化问题的极值条件

关于优化问题比较：传统的优化方法 （1）依赖于初始条件。 （2）与求解空间有紧密关系，促使较快地收敛到局部解，但同时对解域有约束，如可微或连续。利用这些约束，收敛快

针对钢管入库优化决策问题，建立了问题的约束满足优化模型，并通过对垛高和钢管堆放规则的分析，提出了基于聚类和约束满足技术的两阶段求解算法.算法在第一阶段采用聚类的方式对待入库的钢管按照多重属性进行分组；在第二阶段利用约束满足技术对于每组钢管分别指派垛位及其在垛位上的具体位置，并通过约束传播动态缩减问题的搜索空间.最后将算法与经典的BFD （best fit deceasing）算法进行实验结果对比.实验结果表明，算法能够在保证倒垛次数最小的前提下，有效减少垛位数并具有良好的垛位利用率，模型及算法可行、有效