✅作者简介：热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。
🍎更多Matlab代码及仿真咨询内容点击 🔗：Matlab科研工作室
🍊个人信条：格物致知，期刊达人。
🔥 内容介绍
加权最小二乘法 (Weighted Least Squares, WLS) 和加权最小最大法 (Weighted Minimax, WMM) 都是常用的优化方法，尤其适用于处理具有不同权重的数据或目标函数具有不同重要性分量的情况。它们在诸多领域都有广泛应用，例如信号处理、图像处理、机器学习和控制系统等。本文将深入探讨这两种方法的原理、优缺点以及在实际应用中的差异。
一、加权最小二乘法 (WLS)
加权最小二乘法是对经典最小二乘法的拓展，它考虑了数据点或目标函数分量的不确定性或重要性差异。在经典最小二乘法中，所有数据点或目标函数分量被赋予相同的权重，即权重为1。而加权最小二乘法则允许为每个数据点或目标函数分量分配不同的权重，权重越大表示该数据点或目标函数分量的可靠性越高或重要性越大。
WLS 的优点在于能够有效地处理具有不同噪声水平的数据。通过赋予高精度数据更高的权重，可以降低低精度数据对估计结果的影响，提高估计精度。此外，WLS 还可以用于处理具有非均匀分布的数据，例如在某些区域数据点密集，而在其他区域数据点稀疏的情况下，WLS 可以通过调整权重来平衡不同区域数据的影响。
二、加权最小最大法 (WMM)
WMM 的求解通常比 WLS 更为复杂，因为需要解决一个极小极大问题。常用的求解方法包括线性规划、非线性规划和迭代算法等。例如，可以将 WMM 问题转化为线性规划问题，利用单纯形法或内点法进行求解；或者使用迭代算法，例如梯度下降法或序列二次规划法进行求解。
WMM 的优点在于其鲁棒性强，能够有效地处理离群点和异常值的影响。由于 WMM 关注的是最大误差，即使存在少数离群点，也不会对最终结果造成显著的影响。这使得 WMM 在处理噪声较大的数据或存在异常值的情况下具有显著优势。
三、WLS 和 WMM 的比较
WLS 和 WMM 都是重要的优化方法，它们在处理具有不同权重的数据或目标函数具有不同重要性分量的情况下都有其独特的优势。WLS 更加关注整体误差的最小化，对数据点的权重进行加权平均，更注重数据的统计特性；而 WMM 更加关注最坏情况下的误差，注重控制最大误差，对异常值具有更好的鲁棒性。
选择 WLS 还是 WMM 取决于具体的应用场景和需求。如果数据噪声相对较小，且需要精确估计参数，则 WLS 是一个不错的选择；如果数据噪声较大，存在离群点或异常值，且需要保证最坏情况下的性能，则 WMM 更为合适。 此外，还需要考虑算法的计算复杂度和收敛速度。WLS 的计算复杂度相对较低，收敛速度也相对较快，而 WMM 的计算复杂度相对较高，收敛速度也相对较慢。
在实际应用中，可以根据问题的具体情况选择合适的权重分配方法。例如，可以根据数据的方差、置信区间或专家知识来确定权重。 也可以结合 WLS 和 WMM 的优点，设计出更加复杂的优化算法，例如，先使用 WLS 得到一个初始解，然后使用 WMM 对其进行优化。
四、结语
加权最小二乘法和加权最小最大法是两种强大的优化方法，它们在处理具有不同权重的数据或目标函数具有不同重要性分量方面具有显著优势。 理解这两种方法的原理、优缺点以及适用场景，对于选择合适的优化方法并解决实际问题至关重要。 未来的研究方向可以包括开发更加高效的算法，以及将 WLS 和 WMM 与其他优化方法相结合，以提高优化效率和鲁棒性。
⛳️ 运行结果
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
博客擅长领域：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
