基于多目标混合蚁狮优化的算法选择方法

算法选择是指从可行算法中为给定问题选择满足需求的算法,基于元学习的算法选择是应用较为广泛的方法,元特征和元算法是其中的关键内容,而现有研究难以充分利用元特征的互补性和元算法的多样性,不利于进一步提升方法性能.为了解决上述问题,提出基于多目标混合蚁狮优化的算法选择方法(SAMO),设计算法选择模型,以集成元算法的准确性和多样性作为优化目标,引入元特征选择和选择性集成,同时选择元特征和异构元算法以构建集成元算法;提出多目标混合蚁狮算法对模型进行优化,使用离散型编码选择元特征子集,通过连续型编码构建集成元算法,应用增强游走策略和偏好精英选择机制提升寻优性能.使用260个数据集、150种元特征和9种候选算法构建分类算法选择问题来进行测试,分析方法的参数敏感性,将多目标混合蚁狮算法与4种演化算法进行比较,通过对8种对比方法与所提方法进行对比实验,结果验证了所提方法的有效性和优越性.

面向算法选择的元学习研究综述

随着人工智能的快速发展,从可行的算法中选择满足应用需求的算法已经成为各领域亟待解决的关键问题,即算法选择问题。基于元学习的方法是解决算法选择问题的重要途径,被广泛应用于算法选择研究并取得了良好成果。方法通过构建问题特征到候选算法性能的映射模型来选择合适的算法,主要包括提取元特征、计算候选算法性能、构建元数据集以及训练元模型等步骤。首先,阐述基于元学习的算法选择概念和框架,回顾简述相关综述工作;其次,从元特征、元算法和元模型性能指标三方面总结研究进展,对其中典型的方法进行介绍并比较不同类型方法的优缺点和适用范围;然后,概述基于元学习的算法选择在不同学习任务中的应用情况;继而,使用140个分类数据集、9种候选分类算法和5种性能指标开展算法选择实验,对比不同算法选择方法的性能;最后,分析目前存在的挑战和问题,探讨未来的发展方向。

用于雷达信号杂波抑制的小波算法选择

在航海雷达中 ,雷达信号存在着内部噪声、雨雪杂波、海杂波和同频干扰等杂波。而基于小波变换的雷达杂波抑制方法是一种不依赖于杂波统计分布特性 ,对各种分布的雨雪和海浪杂波都有良好适应性的方法。算法的选择是对该方法进行实际应用的关键 ,由这一点 ,从多角度出发 ,对此种方法在应用中小波基和算法选取进行讨论。结果表明 ,硬阈值处理、非降样算法的 4尺度Haar小波比较适合进行基于小波分析的雷达信号杂波抑制处理。

多虚拟机实时迁移中自适应的迁移算法选择框架

IaaS云计算平台中主要通过实时迁移多台虚拟机来实现资源的动态调度、管理与优化。虽然Pre-copy和Post-copy是单虚拟机实时迁移的两种主流算法,且各有优缺点,但现有的多虚拟机实时迁移系统只是单一地使用其中一种迁移算法,无法根据各虚拟机的不同负载情况灵活选择最有效的迁移算法,降低了整体迁移效率。提出一种自适应的实时迁移算法选择框架,利用模糊聚类方法对待迁移的多虚拟机进行分类,按类别选择最适合的迁移算法。实验结果表明,所提出的迁移算法选择框架能够在多虚拟机实时迁移中发挥两个迁移算法的各自优势,有效提高整体的实时迁移性能。

基于有效性指标的聚类算法选择

为数据集选择合适的聚类算法是获得高质量聚类结果的前提和保障.提出了基于有效性指标的聚类算法选择方法,通过对不同聚类算法的聚类结果的质量评价为数据集选择最适合的聚类算法.该方法的优点是在对数据集的情况了解甚少的情况下,也能有效地保障聚类质量.实验结果表明本文方法十分有效,为实验数据集正确选择出最适合的聚类算法,并获得了高质量的聚类结果.

基于元学习的推荐算法选择优化框架实证

针对给定特征的数据集,选择最佳推荐算法存在计算资源相对过高、耗时较长、正确率较低的问题,提出一种基于元学习的推荐算法选择优化框架,在常用元特征的基础上融入新的特征测度。将Donorschoose和Movielens作为实证数据集,实验分析KNN、SVD等算法的自动选择过程,通过3种元学习算法构建元模型,评估该模型的预测正确率。Stac-kingDecisionTree元模型所选择推荐算法具有较高预测性能,预测正确率分别达到86.58%和80.39%,实验结果表明了提出框架的可行性。

优化设计建模与算法选择的并行处理系统

介绍了优化设计建模和算法选择两个专家系统及其并行处理技术，以及各子系统所采用的自律分散、并行设计和共享信息、协调工作的控制策略及其在工程优化设计的智能化和自动化中所起的作用.

海量数据归档系统数据压缩算法选择方法研究

为数据归档系统选择恰当的数据压缩算法是实现海量数据归档管理的关键,但是由于算法选择问题涉及内容复杂,全面定量评估算法对系统的影响困难等因素的存在,致使数据压缩算法选择困难。为解决该问题,本文对归档系统数据压缩算法选择问题进行建模,设计方法求解问题。综合考虑算法成本、归档业务要求、对系统处理能力和可靠性的影响,以及系统存储能力的提升效果等因素,将问题建模成带约束的多目标优化问题。求解时,首先,过滤不满足归档业务要求和劣质的候选算法,约简决策属性。然后,分析剩余候选算法的数量和决策属性的唯一性,利用不同的策略对问题求解。最后,通过用例展示了数据压缩算法的选择过程。

网络计划问题的度量、评价和算法选择

为了研究不同算法处理网络计划问题的效果与网络计划问题的特征之间的关系,在综合考虑网络图的拓扑结构、资源可替换性、截止日期等因素的基础上,提出了柔性资源约束下网络计划问题的复杂度特征指标,以及网络计划优劣的评价指标.利用多元回归分析技术研究了不同算法处理网络计划问题的效果与网络计划特征之间的关系.实验结果表明,提出的特征指标能很好地度量网络计划问题的复杂性,得到的回归方程也能比较准确的估计出算法的结果,为根据网络计划问题的特征选择合适的算法提供可靠依据.

基于算法适用知识的挖掘算法选择交互系统

为具体挖掘任务选择合适的挖掘算法需要用户对挖掘任务、各种挖掘算法和数据特征都非常熟悉,一般用户是很难达到这个要求的。针对以往研究的系统存在实现困难、不能适应动态添加算法等不足,文中形式化表示数据挖掘算法的适用知识,并基于此设计算法选择交互问题和选择逻辑,实现了一个易于实现的数据挖掘算法选择交互系统。实例验证了系统的有效性。

基于概率平均意义下的控制算法选择

控制地实际对象的控制作用的准确预估对于指导实际生产具有重要意义，本文提出了一种在ＤＣＳ工程师站实时仿真环境下比较两种控制算法工业控制效果的方法，并以此作为ＤＣＳ工程师站上比较两种控制器优劣的选择算法，最后的仿真例子验证了方法的可行性和有效性。

基于网格最小生成树的聚类算法选择

为得到好的聚类效果,需要挑选适合数据集簇结构的聚类算法.文中提出基于网格最小生成树的聚类算法选择方法,为给定数据集自动选择适合的聚类算法.该方法首先在数据集上构建出网格最小生成树,由树的数目确定数据集的潜在簇结构,然后为数据集选择适合所发现簇结构的聚类算法.实验结果表明该方法较有效,能为给定数据集找出适合其潜在簇结构的聚类算法.

基于卷积神经网络的算法选择研究

为解决不同类型的优化问题的算法选择,将该问题视为一个分类任务,提出基于深度学习的算法选择框架,通过建立产生问题实例样本的基准问题生成器,利用卷积神经网络模型实现问题实例在人工蜂群(ABC)、复杂差分(CoDE)和协方差自适应进化策略(CMA-ES)3种算法上的自动选择,并对算法选择问题进行实验验证,结果表明基于卷积神经网络的算法选择模型预测准确率能够达到90%,能够有效解决算法选择问题.

支持数据挖掘算法选择的数据集特征提取研究

普通用户选择合适的算法进行数据挖掘是一项困难的工作。本研究提出了一种根据数据集特征判断数据集相似度,从而根据算法在相似数据集上的性能选择数据挖掘算法的方法。

基于算法选择和结果评估的自动聚类方法

文章提出了一种基于算法选择和结果评估的自动聚类方法。对给定数据集,该方法首先通过分析数据集的潜在簇结构,并依据所发现的簇结构为数据集挑选一种合适的备选聚类算法集;然后利用聚类有效性指标对这个算法集的算法聚类结果进行评估,以确保得到高质量聚类结果。实验结果表明该方法能够自动地挑选适合数据集的聚类算法,并获得高质量的聚类结果。

基于神经网络的失效树算法选择

失效树分析广泛应用于工业系统的可靠性分析。有几种算法可以实现。尽管这种分析使用广泛,但是当处理大型失效树结构时就会显示出在精确性和有效性方面的局限性。本文着眼于通过神经网络从一系列算法选项中选择一个最佳算法。经过神经网络的两次筛选,对于任意失效树,其选择最佳算法的预测能力是 90%。

面向不平衡类的联邦学习客户端智能选择算法

在联邦学习应用场景下,若客户端设备之间的数据呈现非独立同分布特征,甚至出现类不平衡的情况时,客户端本地模型的优化目标将偏离全局优化目标,从而给全局模型的性能带来巨大挑战。为解决这种数据异质性带来的挑战,通过积极选择合适的客户端子集以平衡数据分布将有助于提高模型的性能。因此,设计了一种面向不平衡类的联邦学习客户端智能选择算法—FedSIMT。该算法不借助任何辅助数据集,在保证客户端本地数据对服务器端不可见的隐私前提下,使用Tanimoto系数度量本地数据分布与目标分布之间的差异,采用强化学习领域中的组合多臂老虎机模型平衡客户端设备选择的开发和探索,在不同数据异质性类型下提高了全局模型的准确率和收敛速度。实验结果表明,该算法具有有效性。

“没有免费午餐定理”与农业政策研究中的算法选择:以机器学习预测生猪价格变动为例

农产品价格政策是农业政策的核心之一,而准确预测价格变动又是价格政策制定的根本。人工智能的突破给农产品价格分析和预测提供了新的强大的工具,而如何选择相对较优的算法来分析和预测价格就成为了一个研究课题。本研究比较运用了四个机器学习模型:传统的ARIMA模型、卷积神经网络(CNN)、循环神经网络(RNN),以及长短期记忆网络(LSTM),来分析和预测中国生猪价格的变化。本文发现传统的ARIMA模型和LSTM模型的性能不相上下,这两者都远远优于CNN和RNN;而从价格的极端变化角度出发,LSTM模型较优越于ARIMA模型。这符合机器学习中的“没有免费午餐定理”(No Free Lunch Theorem):对于所有可能的研究问题,没有一个算法绝对优于其他算法。这要求研究者在政策研究中采用多种算法从而找出相对较好的算法。另外,“群体稳定性指数(PSI)”显示中国猪肉价格在2018年前后发生了显著的结构变化,由此,本文认为在数据结构发生变化的时候,要不断更新模型,与时俱进。

基于心理学理论的多策略生活选择算法

生活选择算法(Life Choice-Based Optimizer,LCBO)是根据人们在日常生活中做出不同的决策而设计的一种智能优化算法。但LCBO在解决高维函数优化问题时容易陷入局部最优,且收敛速度慢。因此,本文基于心理学理论提出一种多策略生活选择算法(Multi-Strategy Life Choice-Based Optimizer,MSLCBO)。首先,基于“贝勃规律”提出有策略的向优秀组学习,提高算法的局部搜索能力;其次,在算法迭代后期受“关系场”理论启发,提出精英交流机制对质量较好的解进行搜索,进一步增强算法局部开发能力,提高算法的优化速度;最后,为避免“投射效应”的心理学效应影响,引入基于折射反向学习策略,从而提升算法的全局搜索能力。对改进后的算法进行2次对比实验:将MSLCBO与其他7种智能优化算法在16个基准测试函数上进行了对比,结果表明MSLCBO性能优势显著;并采用工程实际应用问题中的三杆桁架设计问题进行测试,同样验证了MSLCBO的有效性。

基于高置信度伪标签数据选择算法的临床事件抽取方法

【目的】事件抽取是构建高质量事件知识图谱的前提。临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战。【方法】将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:BERT-MCRF.该方法使用BERT构建模型的嵌入和特征提取部分,在CRF层加入多个字的滑动窗口特征,然后将BERT-MCRF作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型。【结果】BERT-MCRF模型在3种属性实体上的整体F1值达到80.21%,比经典的BiLSTM-CRF模型提升15.11%;通过半监督思路重新训练的模型最终F1值达到81.56%,较原始BERT-MCRF提升了1.35%.