神经架构搜索综述

近几年,深度学习因具有强大的表征能力,已经在许多领域中取得了突破性的进展,而神经网络的架构对它的性能至关重要。然而,高性能的神经网络架构设计严重依赖研究人员的先验知识和经验,神经网络参数量庞大,难以设计最优的神经网络架构,因此自动神经架构搜索(NAS)获得了极大的关注。NAS是一种使用机器学习的方法,可以在不需要大量人力的情况下,自动搜索最优网络架构的技术,是未来神经网络设计的重要手段之一。NAS本质上是一个搜索优化问题,通过对搜索空间、搜索策略和性能评估策略的设计,自动搜索最优的网络结构。从搜索空间、搜索策略和性能评估策略这3个方面详细且全面地分析、比较和总结目前NAS的研究进展,方便读者快速了解神经架构搜索的发展过程和各项技术的优缺点,并提出NAS未来可能的研究发展方向。

新媒体时代传统搜索引擎与社交媒体搜索的比较研究

新媒体时代,社交媒体平台蓬勃发展,增强了社交媒体搜索与传统搜索引擎关系的可研究性。研究通过探究它们在用户信息检索和获取上的差异,揭示社交媒体搜索与传统搜索引擎的互补和互斥特征。

可搜索加密研究综述

为了有效解决数据隐私保护和安全搜索等问题,可搜索加密技术应时而生。可搜索加密是一种保护数据隐私的加密技术,允许在加密的状态下进行搜索和查询。可搜索加密的研究主要包括对称可搜索加密和非对称可搜索加密等,其基本原理包括对关键词进行编码和加密,设计相应的索引结构和搜索算法。可搜索加密技术在云计算、医疗健康、金融和物联网等领域具有广泛的应用潜力。研究者致力于提供效率更高、安全性更好、扩展性更强的可搜索加密方案。介绍了可搜索加密的相关研究历史以及2种可搜索加密技术,从安全性和关键词猜测攻击分析了可搜索加密技术的实用性,还指出了该领域存在的亟需解决的问题和今后的研究方向,在推进可搜索加密的进一步研究方面发挥了作用。

多舱共配绿色车辆路径问题的改进变邻域搜索算法

针对社区团购前置仓配送场景中“多中心、高时效、多品类、高排放”难题,本文提出多车场带时间窗的绿色多舱车车辆路径问题(MDMCG-VRPTW),构建混合整数线性规划模型,并设计改进的变邻域搜索算法(IVNS)实现求解.采用两阶段混合算法构造高质量初始解.提出均衡抖动策略以充分探索解空间,引入粒度机制以提升局部搜索阶段的寻优效率.标准算例测试结果验证了两阶段初始解构造算法和IVNS算法的有效性.仿真实验结果表明,模型与算法能够有效求解MDMCGVRPTW,且改进策略提高了算法的求解效率和全局搜索能力.最后,基于对配送策略和时效性的敏感性分析,为相关配送企业降本增效提供更多决策依据.

基于新混合乌鸦搜索算法的置换流水车间调度

为了更加有效地求解以最大完工时间最小化为目标的置换流水车间调度问题,提出一种新混合乌鸦搜索算法(NHCSA)。首先,对一种基于NEH的启发式算法进行了改进,在此基础上提出新的方法以改善初始种群的质量和多样性;其次,采用SPV(Smallest-Position-Value)规则进行编码,使算法能够处理离散的调度问题;最后,针对迭代贪婪算法,提出了自动调整重插入工件范围的方法、引入了TB机制,并采用改进的迭代贪婪算法对最佳工件排序进行局部搜索,以提升算法收敛的精度。基于典型测试集进行了仿真测试,结果验证了所提算法的寻优能力和稳定性。尤其是在针对Rec19和Rec25算例的比较中,仅NHCSA取得了当前最优解,进一步证明了其优越性。

基于属性图的社区搜索模式及其分类体系

当前在属性图中的社区搜索方法较多、类型繁杂,没有系统的分类方式,约束了社区搜索的应用。为明确属性图社区搜索的类别,对属性图社区搜索分类方法进行研究。首先,首次提出属性图社区搜索模式的概念,深入分析属性图社区搜索模式之间存在的联系,提出属性图社区搜索模式的等价、从属、交叉、全异4种关系;其次,以搜索模式的输入图属性、输出图拓扑结构和各属性图社区搜索模式的实际意义为基础,构建两层分类体系,第1层是由输入属性图相同的模式集合构成的集族,这里的输入属性图包括时序、空间、关键字、权值、空属性图,第2层是由输出图拓扑结构及实际意义定位到的每一个具体的属性图社区搜索模式;然后,针对第2层中每一种模式,给出对应社区搜索算法的对比分析结果;最后,对所有属性图社区搜索模式的特性集中分析。总体而言,属性图社区搜索模式不仅为理解和分析复杂网络结构提供有力工具,也为解决实际问题提供新的视角和方法。

可搜索加密的安全性研究进展

可搜索加密是一种在云计算和大数据环境下解决数据安全和隐私保护问题的关键技术,其允许用户在不解密的情况下,对加密数据进行安全搜索。然而,近年来针对可搜索加密的攻击研究层出不穷且破坏了安全搜索的功能。为了深入理解可搜索加密的安全性,对可搜索加密的安全性研究进展进行梳理和探讨。可搜索加密主要分为公钥可搜索加密和对称可搜索加密。首先介绍了公钥可搜索加密的概念,现有公钥可搜索加密方案面临着用户隐私、关键词猜测攻击和密文关键词等值测试等严峻的挑战,并给出具体的解决思路与方法。进一步阐述了对称可搜索加密的安全模型,对称可搜索加密方案的攻击方法和防御方法。最后,讨论了可搜索加密需进一步研究的问题和未来发展方向。

支持模糊多关键字的动态可搜索加密方案

随着云计算的发展,云存储的便捷性和经济性使得大量用户将个人数据存储在第三方云服务器上.云端数据的加密存储可确保数据的安全性,但也增加了数据检索的难度.动态对称可搜索加密技术应运而生,其不仅能有效保护数据隐私,还可实现多关键字联合搜索的功能.同时,该技术在实际应用中引入的模糊搜索还可以增强用户的搜索体验和提高搜索效率.当前支持模糊搜索的可搜索加密方案存在一定的安全隐患,其未考虑动态更新时潜在的信息泄露问题.为此,提出了一种支持模糊多关键字的动态可搜索加密方案,在保证动态更新时信息安全的同时,支持多关键字联合搜索以及模糊搜索.该方案设计了一种关键字编码算法和局部敏感哈希函数构建模糊索引,并使用布隆过滤器加密算法对该索引进行加密,以实现模糊搜索.此外,引入了可信执行环境降低用户和服务器之间的通信开销、计算开销以及交互次数.最后,通过实验验证了该方案的安全性和有效性.

求解燃气轮机制造车间调度的混合和声搜索算法

燃气轮机生产属于典型的离散型制造,其多品种小批量的生产特点给车间作业调度带来挑战,导致企业生产效率低下,不能满足产品交货期。因和声搜索算法结构简单易操作,常用于解决此类作业车间调度问题。然而传统和声搜索算法收敛速度较慢,易陷入局部最优。本文构建以最小化最大完工时间为目标的燃气轮机制造车间调度数学模型,提出一种离散型改进多种群混合和声搜索算法进行求解。结合和声搜索算法与变邻域搜索算法的优点,采用基于工序的编码方式进行编码,在种群更新部分引入模拟退火的Metropolis接受准则,提高种群多样性;提出自适应的记忆库保留概率和音调调节率来调节参数,以提高算法的全局寻优能力;加入变邻域搜索以提高算法的收敛速度。通过性能测试及实例验证表明,相较于已有算法,所提算法具有更好的性能。

基于自动终止准则改进的kd-tree粒子近邻搜索研究

对于大规模运动模拟问题而言,近邻点的搜索效率将对整体的运算效率产生显著影响。本文基于关联性分析建立kd-tree的最大深度dmax与粒子总数N的自适应关系式,提出了kd-tree自动终止准则,即ATC-kd-tree,同时还考虑了叶子节点大小阈值n_(0)对近邻搜索效率的影响。试验表明,ATC-kd-tree具有更高的近邻搜索效率,相较于不使用自动终止准则的kd-tree搜索效率最高提升46%,且适用性更强,可求解不同N值的近邻搜索问题,解决了粒子总数N发生改变时需要再次率定最大深度dmax的问题。同时,本文还提出了网格搜索法组合坐标下降法的两步参数优化算法GSCD法。通过2维阿米巴虫形状的参数优化试验发现,GSCD法可更为快速地率定ATC-kd-tree的可变参数,其优化效率比网格搜索法最高提升了205%,相较于改进网格搜索法最高提升了90%。研究结果表明,ATC-kd-tree和GSCD法不仅提高了近邻搜索的效率,也为复杂运动中近邻粒子搜索问题提供了一种更为高效的解决方案,能够显著降低计算资源的消耗,进一步提升模拟的精度和效率。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

新创企业非正式搜索对颠覆性创新的影响——数字技术的赋能作用

跨界搜索在知识经济时代对新创企业实现颠覆性创新至关重要,有助于打破资源和技术束缚,获取外部创新知识,应对市场变化,从而推动企业的创新成长。本文基于组织搜索理论和知识管理理论,从技术和市场维度探讨新创企业非正式搜索对颠覆性创新的影响机制。用SPSS 27.0和AMOS 28.0对519份样本进行实证检验。研究发现技术知识非正式搜索和市场知识非正式搜索均对颠覆性创新具有促进作用。同时,知识重构在跨界搜索与颠覆性创新之间起到了中介作用,而数字技术应用则进一步强化了跨界搜索对知识重构的促进效果。根据结论,本文为企业总结出管理启示:在跨界搜索过程中,企业应综合运用多种搜索方式,并重视内外部知识的有效管理;同时,借助数字技术提升知识重构能力,为颠覆性创新提供有力支持。这些发现对于新创企业探索有效的创新路径、实现持续发展具有重要的战略意义和现实意义。

MC-NAS:一种可视化模块贡献神经架构搜索方法

现有的神经架构搜索方法无法直观地将网络模型与候选模块以及模型识别准确率之间的关系展示出来;同时很多NAS方法可扩展性差,无法将其搜索策略扩展至任意搜索空间。针对上述挑战,提出了一种可视化模块贡献神经架构搜索方法。提出了模块贡献这个概念,并通过分析贡献计算过程的窘境给出了任意搜索空间下的统一采样原则,利用统一的贡献度指导原则给出了不同搜索空间的贡献度计算策略。针对特定的约束条件通过动态网络规划算法生成神经网络体系结构。大量的实验结果表明该算法在任意搜索空间中的有效性。使用CIFAR-10、CIFAR-100和ImageNet16-120数据集在NAS-Bench-201基准测试上平均准确率达到了93.33%、71.07%、42.69%。

改进麻雀搜索算法求解多目标低碳冷链物流车辆路径问题

目的 在传统冷链物流的车辆路径问题模型基础上,考虑服务节点和车辆运输过程中产生的碳排放,并加入客户满意度,在有限资源情况下最小化路径成本和最大化客户满意度。方法 构建多目标低碳冷链物流车辆路径问题模型,将爬山算法局部搜索思想应用到麻雀搜索算法中,形成改进麻雀搜索算法,并用其对上海市某区域内的冷链物流配送路径优化问题算例进行求解。结果 通过与改进前及其他2种智能优化算法运行结果进行对比发现,改进后的麻雀搜索算法具有更快的寻优速度和更好的寻优能力,且改进后的算法对模型的碳排放效用性更高。结论 基于国家的低碳政策,设计出符合当下实情的低碳冷链物流运输模型,通过改进优化算法设计运输方案,验证了爬山算法局部搜索思想对麻雀搜索算法进行改进的有效性及所构建低碳冷链物流车辆路径模型的合理性。

企业级全文搜索系统设计与实现

为解决企业内部信息资源难以被快速精确检索和有效利用、全文检索时数据访问权限控制问题,提出一种全文搜索系统数据访问权限控制模型,并设计了企业级全文搜索系统,阐述了企业级全文搜索系统的架构及其数据同步模块、数据索引模块、数据搜索模块、权限控制模块等重要模块的设计与实现。该系统能在用户权限范围内对数据进行全文检索,有效实现对企业信息资源进行统一整合和检索,提高企业信息资源利用效率。

基于神经网络架构搜索的X射线图像违禁品检测算法

为了提高卷积神经网络设计的自动化程度并进一步提高复杂背景下违禁品检测的准确率和速度,提出了一种基于神经网络架构搜索的X射线图像违禁品检测算法。首先,设计逐层渐进式搜索策略和多分支搜索空间,并基于批量归一化指标为每一个layer结构搜索最佳侧分支;然后,逐层搜索构建新的骨干网络组件;最后,组成由数据驱动的新目标检测模型。该算法在数据集HiXray、OPIXray、PIDray上分别取得了83.4%、87.2%、70.4%的检测精度。实验结果表明,本文算法能够自适应数据集并自动搜索出性能更好的Backbone组件,与FCOS、YOLOv4等主流算法相比,有效提高了复杂背景下违禁品检测的准确率和速度。

基于区块链的公平可验证搜索加密方案

针对现有搜索加密方案缺乏对数据拥有者行为约束的问题,提出了一种基于区块链的公平可验证搜索加密方案。该方案提供公平高效的搜索和验证。引入向量数字承诺约束数据拥有者行为,同时采用区块链计算哈希验证基准实现高效的轻量级多关键字搜索结果验证,避免第三方验证不可信问题。方案通过对偶编码算法函数和局部敏感哈希函数将关键字映射至布鲁姆过滤器中,实现模糊搜索的同时提高搜索前关键字转化为向量的效率。经实验表明,该方案搜索前关键字转化效率更高,验证过程与现有使用公钥密码原语的验证方案相比,时间消耗更少。安全性分析证明该方案在随机预言模型下是安全的。

一种混合多策略改进的麻雀搜索算法

针对麻雀搜索算法SSA求解目标函数最优解时具有过早收敛、在多峰条件下易陷入局部最优和在高维情况下求解精度不足等问题,提出了一种混合多策略改进的麻雀搜索算法MISSA。考虑到算法初始解的质量很大程度上会影响整个算法的收敛速度与精度,引入精英反向学习策略,扩大算法的搜索区域,提升初始种群的质量和多样性;对步长进行分阶段控制,以提高算法的求解精度;通过在跟随者的位置中加入Circle映射参数与余弦因子,提高算法的遍历性与搜索能力;采用自适应选择机制在麻雀个体位置更新中加入Lévy飞行,增强算法寻优和跳出局部最优的能力。将改进后的算法与麻雀搜索算法及其他算法在13个测试函数上进行对比,并进行Friedman检验。实验结果表明,改进后的麻雀搜索算法能够有效提高寻优精度与收敛速度,并在高维问题中也具备较高的稳定性。

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树(RRT)算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数(即降低路径曲率和远离障碍物),并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明:优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。