进化计算在大规模高维特征选择中的应用综述

随着大数据时代的到来,数据的规模和特征维度呈现爆炸式增长,这给数据处理带来了前所未有的挑战。特征选择作为数据预处理的关键环节,在处理大规模高维数据时显得尤为重要。而进化计算方法因其出色的全局搜索能力和高效的优化性能,越来越多的研究者开始对其进行研究,其在大规模高维特征选择中得到了广泛的应用。本文首先介绍了大规模高维数据处理的重要性;然后简单介绍了部分经典和较新的进化计算方法,并详细介绍了其在大规模高维特征选择中的应用情况;最后对目前进化计算在大规模高维特征选择中存在的问题进行总结,并展望了其未来的发展方向。

进化计算专题导读

当前,人工智能正处于快速变革和更新迭代的关键时期,面临基础理论薄弱、计算效率低下、算法应用受限等挑战,新型可靠高效的进化计算相关研究受到了各界广泛关注。进化计算无需预先的训练和数据积累,通过模拟生物进化过程和群体智能行为,依靠演化过程和自然选择机制,就能找到最优的解决方案,是一种知识创新和规律获取的过程。这使得进化计算具有很好的通用性,能够在探索过程中发现人类未曾知晓的知识,为解决实际应用中的一系列复杂问题提供最优的解决方案。

采用进化计算的高维多模态特征选择

针对特征选择问题中的多模态特性和高维特性,引入新的种群初始化策略对大规模多模态多目标优化算法进行改进,提出了一种基于进化多目标优化的高维多模态特征选择算法。对原始的连续优化算法进行离散化处理,用于评价离散优化问题中的个体,并在6个高维特征选择数据集上进行验证。结果表明:所提算法提升了初始种群的质量并加快了算法的收敛;相比于其他同类算法,所提算法获得了更优的帕累托前沿,其超体积指标值整体最优,并且在不影响分类精度的前提下可获得平均2.53个等效特征子集,表明所提算法具有最好的分类精度和最多样化的等效特征子集。

面向策略探索的强化学习与进化计算方法综述

强化学习与进化计算作为两类自然启发的学习范式,是当前求解策略探索问题的主流方法,两类方法的融合为策略探索问题的求解提供了通用解决方案。通过对比强化学习与进化计算,从强化学习与进化计算的基本方法、策略探索的基础方法分析、策略探索的融合式方法分析以及前沿挑战4个方面全面分析了策略探索问题的方法,以期能够为该领域的交叉融合研究带来启发。

多目标优化问题的进化计算方法

多目标优化问题在实际应用中广泛存在,涵盖了工程设计、资源分配、机器学习等领域。由于其具有问题空间复杂、决策变量众多及目标之间存在相互矛盾的特性,传统优化方法难以在解空间中找到全局的、非支配的解集。为解决多目标优化问题,文章探究了基于进化计算的方法。

基于进化计算的深度神经网络架构优化研究

随着人工智能技术的不断发展,深度神经网络(DNN)被广泛应用于计算机视觉、语音识别和机器人等领域。相较于传统神经网络,深度神经网络具有对语音识别的速度更快、识别准确率更高的优势。然而,传统的深度神经网络架构优化方法在收敛速度、计算效率和性能方面仍存在一定的局限性,成了函待解决的问题。基于此,本文提出一种基于进化计算的深度神经网络架构优化方法,并通过仿真实验验证了其在复杂场景下的性能。

基于增强进化计算的电力系统暂态稳定关键特征智能选择方法

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。

基于进化计算的现代旗袍快速推荐系统

为方便用户进行个性化定制旗袍,以现代旗袍为例,对现代旗袍的部件构成和风格进行归纳与分析,选取中国风、性感风、甜美风、简约风4种典型风格的现代旗袍进行部件分类和编码,构建现代旗袍风格设计部件数据库,同时,运用交互式进化计算构建现代旗袍快速推荐系统。交互式进化计算分为2个部分:用户评价部分和种群进化部分。该系统可以结合用户需求和设计风格,在交互界面中展示满足用户需求的现代旗袍设计方案供用户选择。以实例对现代旗袍快速推荐系统进行验证,验证结果表明:运用交互式进化计算方法在选择精确度和选择时间上优于顺序查询,可以更精准快速地给用户推荐心仪的现代旗袍款式,有效缩短用户选购旗袍的时间,提高用户满意度。

思维进化计算的描述与研究成果综述

思维进化计算（Mind Evolutionary Computation，MEC）是孙承意于1998年提出的一种新的进化计算方法。它模仿人类思维申趋同、异化两种思维模式交互作用，推动思维进步的遏程。MEC多方面的性能优越，造是由于采用“趋同”和“异化”操作代替GA的选择、交叉和变异算子以及MEC与GA不同的运行机制：记忆机制、定向机制和探测与开采功能之间的协调机制。本文给出MEC迄今为止最完整的描述。由于篇幅所限，本文仅简单介绍MEC的主要研究成果。

基于共同进化计算模型的基因连锁问题求解

针对传统单种群进化类算法（conventional evolutionary algorithms,简称CEAs）求解基因连锁问题的不足,基于生物界共同进化机制提出求解NK基因连锁问题的合作式共同进化算法（Coevolutionary algorithm,简称CoEA）,探讨其子种群的合作方式与个体适应值的计算方法,并从数学上分析该算法的性能,指出共同进化算法中高于平均适应值模式的递增指数高于传统单种群进化算法.仿真结果证实了理论分析.结果表明,共同进化算法比传统单种群进化算法对求解基因连锁问题的效力和效果更好.

思维进化计算综述

近年来,进化计算的研究引起了人们很大的关注,它运用模拟生物进化过程的思想,生成计算机程序来解决问题。介绍了一种进化计算的新分支——思维进化计算,并对其理论、框架、算子、主要特点进行了概述,同时介绍了思维进化计算的主要应用领域,最后探讨了思维进化计算的研究方向。

基于进化计算的无人飞行器多航迹规划

针对飞行器多航迹规划问题展开研究。在分析多峰值函数优化问题的基础上,提出了一种基于进化计算的飞行器多航迹规划方法。该方法通过使用特定的染色体表示方法和进化算子,可以有效利用各种环境信息,处理各种航迹约束。同时,通过引入聚类算法,将种群中的个体按其空间分布进行聚类,生成若干个不同子种群。在进化过程中,所有个体只在各自的子种群内部进化。当进化结束时,每个子种群将分别生成一条各自的最优航迹,从而为飞行器生成多条不同的可选航迹。仿真结果表明了该方法的有效性。

分层交互式进化计算及其应用

针对目前交互式进化计算存在的局部搜索能力不强、效率低下等问题,将分层的思想引入交互式进化计算,提出了分层交互式进化计算.给出了算法实施的关键问题,分析了算法的效率.将其应用于服装设计,通过算例验证了算法的有效性.

基于进化计算的神经网络设计与实现

基于进化算法可有效解决神经网络设计和实现中存在的一些问题 ,使网络具有更优的性能。在此对基于进化计算的神经网络设计和实现的研究内容及进展情况进行综述 ,讨论了网络实现的关键问题 ,包括网络权重的进化训练 ,网络结构进化设计 ,学习规则进化选取以及进化操作算子设计等 ,并分析了相关的研究和发展方向。

自主式机器人群体行为的进化计算实现

本文探讨机器人在特定任务下如何通过遗传算法选择合适的传感器和行为参数来进化出多个自主式移动机器人之间的优化群体行为

交互式进化计算的适应值噪声及收敛鲁棒性

噪声是影响进化计算(evolutionary computation,简称EC)算法性能的一个重要因素.对于传统EC中的噪声,已有许多研究成果,但交互式进化计算(interactive evolutionary computation,简称IEC)的噪声研究成果却较少.首先回顾了传统EC中噪声的定义、来源、类型及各种处理噪声的方法;其次,从IEC的理性用户观点出发,研究了IEC的适应值噪声及收敛鲁棒性.其中,空间的映射关系、个体间的占优关系以及IEC的收敛等是研究收敛鲁棒性的两个定理(强条件定理和弱条件定理)的基础.这两个定理表明,理性用户条件下的噪声不会影响算法全局收敛性.在这两个定理的基础上进一步得出了如下结论:有效的适应度尺度变换是弱条件定理的一部分,IEC中"真"适应值是用户偏好等.并以不满足弱条件定理,即破坏算法收敛性为依据,给出了IEC中适应值噪声的狭义定义.实验进一步验证了这两个定理.上述结论为进一步研究IEC作了必要的铺垫.

进化计算在生产线调度研究中的现状与展望

描述了典型生产线调度类型 ,并分析了其复杂性、不确定性、多目标和多约束等特点 ;简要介绍了进化计算的思想、优点 ;围绕其应用核心———遗传编码和操作 ,分类评述了进化计算在单机、并行机、流水线、可重入式生产线、作业和混合生产线等调度问题中的应用情况 ;

一种新的进化计算算法模型——种群竞争消亡算法

为克服进化计算自身的早熟收敛缺陷,受自然界和人类社会进化现象的启发,文中研究得到了一种新的进化计算算法模型———种群竞争消亡算法。本文将该模型应用于温室作物生长模型的参数优化,并将试验结果与基本进化计算相比较,结果说明种群竞争消亡算法在稳定性和收敛性上确实比基本进化计算优越。

进化计算在神经网络学习中的应用

提出两种用于前向神经网络的进化学习算法，一种基于遗传算法，另一种基于进化规则。通过对ＸＯＲ问题和ＩＲＩＳ模式分类问题的学习，证明它们远高于传统ＢＰ算法的性能。

进化计算与遗传算法──计算智能的新方向

本文讨论了新近得到迅速发展的进化计算与遗传算法这一新的计算智能前沿领域的进展，指出了有关研究方向。