An Efficient Algorithm To Improve the Accuracy and Reduce the Computations of Ls-Svm

We present a novel algorithm, which is called cutting algorithm (ca), for improving the accuracy and reducing the computations of the least squares support vector machines (ls-svms). the method is based on dividing the original problem to some subproblems. since a master problem is converted to some small problems, so this algorithm has fewer computations. although, in some cases that the typical ls-svm cannot classify the dataset linearly, applying the ca the datasets can be classified. in fact, the ca improves the accuracy and reduces the computations. the reported and comparative results on some known datasets and synthetics data demonstrate the efficiency and the performance of ca.

یک الگوریتم کارآمد برای بهبود دقت و کاهش محاسبات کمترین مربعات بردار پشتیبان

در این مقاله به بررسی مساله ممانعت از بیشترین جریان شبکه می‌پردازیم. نخست تعبیر جدیدی از مساله را ارائه داده و سپس مفهوم برش بهینه را تعریف می‌کنیم. یک الگوریتم ابتکاری برای یافتن تقریبی از برش بهینه پیشنهاد می‌کنیم. در نهایت نشان خواهیم داد که روش ابتکاری پیشنهادی برای نوع خاصی از شبکه‌ها، تبدیل به یک الگوریتم آلفاتقریب خواهد شد. با اجرای الگوریتم بر روی سه نوع شبکه مختلف، برتری این روش را نسبت به حل مستقیم مدل بااستفاده از CPLEX نشان خواهیم داد.