一种改进自适应步长人工蜂群优化随机森林的滑坡风险性评价方法

融合群智能全局优化人工蜂群(artificial bee colony,ABC)算法与随机森林(random forest,RF)模型,提出一种改进自适应步长人工蜂群(improved adaptive step size artificial bee colony,IASSABC)算法优化RF模型的滑坡风险性评价方法。针对ABC算法存在的后期收敛速度慢与早熟的问题,融合全局最优解和领域半径参数的思想,发展了IASSABC算法并用于优化调整RF模型参数,以提升RF模型的泛化性能与抗过拟合能力,降低RF模型陷入局部最优解的风险。实际案例表明,本文方法兼具引入最优解的自适应步长人工蜂群(adaptive step size artificial bee colony,ASSABC)算法具有的强针对性与方向性优点,以及引入领域半径参数的改进人工蜂群(improved artificial bee colony,IABC)算法具有的全局参数最优解强搜索能力。相较于传统的ABC、ASSAB、IABC模型,IASSABC优化RF模型在滑坡风险性评价中具有更强的参数最优解搜索能力和更高的评价准确性。

基于自适应步长策略的A*算法路径规划优化

针对A*算法求解路径轨迹耗时长、内存占用大等问题,本文提出一种基于自适应步长策略改进A*算法.首先,根据当前点与终点的位置关系,设定寻路方向的优先级顺序,减少不合理方向上的冗余规划计算量;其次,修改到达终点的判断条件,可在轨迹规划时实现路径的跳跃;再次,针对A*算法轨迹规划效率低的问题,提出自适应步长策略;最后,针对内存占用大,以及面对大地图时可能出现的内存溢出问题,提出了八方向搜索法.实验结果表明,相较于原始的A*算法,改进的A*算法在轨迹规划效率上获得了极大的提升,同时内存占用大的问题也得到了很好的解决.

基于自适应步长的电力系统谐波谐振快速分析方法

随着电力系统的快速发展,其规模越来越大、节点数量越来越多,频率扫描法和模态分析法作为目前应用最为广泛的两种谐波谐振分析方法,计算效率亟须提升。在传统方法的基础上,文中分别提出基于自适应步长的频率扫描法和基于自适应步长的模态分析法。首先,通过设置相应判据自适应改变扫描步长,使扫描区间能够快速到达谐振频率点附近,大幅减少了计算量;然后,在谐振频率点附近使用二次插值法确定谐振频率,保证了谐振频率计算精度;最后,以IEEE 14节点、IEEE 39节点和IEEE 118节点系统为例进行分析。结果表明,与传统方法相比,所提两种方法在保证谐振频率精度的同时可大幅提高运算速度,验证了所提方法的准确性和高效性。

启发式自适应步长优化Informed-RRT^(*)算法

Informed-RRT^(*)算法是解决全局路径规划问题常用的算法。当处理狭窄环境时,Informed-RRT^(*)算法往往容易陷入局部最优解,而在复杂环境中路径规划的成本又往往过高。为了解决这些问题,提出了一种基于启发式自适应步长的采样策略,以改进Informed-RRT^(*)算法的不足之处。通过在随机节点周围扩展采样点集来计算启发式值,选择最优节点并按照其生长方向进行扩张。通过计算最优节点与最近节点的距离,确定下一次采样的步长。这使得机器人能够更好地适应二维和三维环境中的狭窄区域和复杂环境。将改进的算法在二维和三维环境中进行仿真验证,实验结果表明了该算法的有效性和鲁棒性较为优异。

结合自适应步长策略和数据增强机制提升对抗攻击迁移性

深度神经网络具有脆弱性,容易被精心设计的对抗样本攻击.梯度攻击方法在白盒模型上攻击成功率较高,但在黑盒模型上的迁移性较弱.基于Heavy-ball型动量和Nesterov型动量的梯度攻击方法由于在更新方向上考虑了历史梯度信息,提升了对抗样本的迁移性.为了进一步使用历史梯度信息,本文针对收敛性更好的Nesterov型动量方法,使用自适应步长策略代替目前广泛使用的固定步长,提出了一种方向和步长均使用历史梯度信息的迭代快速梯度方法(Nesterov and Adaptive-learning-rate based Iterative Fast Gradient Method,NAI-FGM).此外,本文还提出了一种线性变换不变性(Linear-transformation Invariant Method,LIM)的数据增强方法 .实验结果证实了NAI-FGM攻击方法和LIM数据增强策略相对于同类型方法均具有更高的黑盒攻击成功率.组合NAI-FGM方法和LIM策略生成对抗样本,在常规训练模型上的平均黑盒攻击成功率达到87.8%,在对抗训练模型上的平均黑盒攻击成功率达到57.5%,在防御模型上的平均黑盒攻击成功率达到67.2%,均超过现有最高水平.

带消极动量的自适应步长随机方差缩减方法

近年来,随机方差缩减类方法在解决大规模机器学习问题中取得很大成功,自适应步长技术的引入减轻了该类方法的调参负担。针对自适应步长的方差缩减算法SVRG-BB,指出其算法设计带来了“进展-自适应步长有效性”的权衡问题。因此引入Katyusha动量以更好地处理该权衡问题,并且在强凸假设下证明由此得到的SVRG-BB-Katyusha算法的线性收敛性质。之后基于“贪婪”思想,提出稀疏地使用Katyusha动量的SVRG-BB-Katyusha-SPARSE算法。在公开数据集上的数值实验结果表明,提出的2个改进算法较SVRG-BB有较稳定的优势,即在达到一定外循环数时优化间隙有若干个数量级的减小。

基于随机噪声和自适应步长的快速对抗训练方法

当前对抗训练(AT)及其变体被证明是防御对抗攻击的最有效方法,但生成对抗样本的过程需要庞大的计算资源,导致模型训练效率低、可行性不强;快速AT(Fast-AT)使用单步对抗攻击代替多步对抗攻击加速训练过程,但模型鲁棒性远低于多步AT方法且容易发生灾难性过拟合(CO)。针对这些问题,提出一种基于随机噪声和自适应步长的Fast-AT方法。首先,在生成对抗样本的每次迭代中,通过对原始输入图像添加随机噪声增强数据;其次,累积训练过程中每个对抗样本的梯度,并根据梯度信息自适应地调整对抗样本的扰动步长;最后,根据步长和梯度进行对抗攻击,生成对抗样本用于模型训练。在CIFAR-10、CIFAR-100数据集上进行多种对抗攻击,相较于N-FGSM(Noise Fast Gradient Sign Method),所提方法在鲁棒准确率上取得了至少0.35个百分点的提升。实验结果表明,所提方法能避免Fast-AT中的CO问题,提高深度学习模型的鲁棒性。

动态环境下基于自适应步长Informed-RRT*和人工势场法的机器人混合路径规划

为解决移动机器人在动态环境下的路径规划问题,将Informed-RRT*和人工势场法相融合,提出全局与局部规划算法相融合的路径规划方法。首先,针对Informed-RRT*算法采样效率低,以及得到路径不满足机器人运动学约束的问题,采用目标偏置法与自适应步长法,减少冗余搜索与不必要树的生长;同时,引入走廊优化与时间重分配法,优化路径节点,使路径更加平滑。其次,针对人工势场法易陷入局部极小值和目标点附近不可达的问题,采用平滑窗格策略,增设全局路径子目标点,使机器人能够逃离局部极小值,完成规划任务。仿真结果表明,静态环境中自适应步长Informed-RRT*算法相比于Informed-RRT*算法求解时间缩短了71.98%;动态环境中,混合算法相比于人工势场法,搜索时间缩短了15.4%,路径长度缩短了11.1%。

自适应步长时程分析的新进展:从凝聚单元到降阶单元

研究发现,按最大模度量的自适应步长时程单元的成功求解,需要有限元解的结点精度与单元精度之比,以不低于2为佳;亦即■次单元的单元精度为■,则其结点精度宜达至■。作者提出的凝聚单元,符合此精度比条件,自适应求解表现出色。该文研究发现,■次常规单元的解答,包含了■次凝聚单元的解,进而提出了无须凝聚、无须超收敛计算、无须结点修正的简便高效的单元算法——降阶单元。该文对这一研究进展做一简介,并给出初步算例验证了该法的可行性和有效性。

多方向自适应步长的信息熵污染源定位方法

基于信息熵的源定位方法能够实现气体源定位,在污染源监测等场景中有广泛的应用。然而,目前该算法的研究对运动集的方向和步长大小缺少相关分析。为提高源定位效率,首先,对该算法的运动集进行扩充,为机器人提供更多行走的方向,有效地缩短路径;其次,在此基础上加入自适应步长的机制,使机器人根据搜索过程约束自己的步长,节约时间,从而提高源定位的性能;最后,通过在有无障碍物的两种场景进行仿真。结果表明该方法可以有效提高源定位效率。

基于自适应步长双闭环模型预测控制的主动配电网优化调度

为应对不确定性分布式可再生能源大量接入对主动配电网优化调度带来的挑战,提出一种基于自适应步长双闭环模型预测控制的主动配电网优化调度策略。首先,在常规模型预测控制的基础上建立双闭环反馈机制,通过充分利用主动配电网中各可控资源实时反馈信息,提升系统优化调度的可靠性;其次,在优化调度中动态调整模型预测控制的域参数,设计变步长决策指标以自适应改变时间步长,从而协调优化精度与计算时间的矛盾;然后,基于上述理论建立调度模型,并采用复合微分进化算法进行求解,使系统的运行效益达到最佳。最后通过算例分析,证明了所提策略的可行性和优越性。

基于巴特沃斯低通滤波的自适应步长梯度下降姿态解算方法

针对旋翼无人机常用的低成本MEMS姿态传感器,因其内部低通滤波具有一定相位延迟效应,致使旋翼无人机姿态原始数据预处理后具有时间滞后的问题,提出一种基于零相位时延修正的巴特沃斯低通滤波(LPB)的自适应步长梯度下降姿态解算方法。通过计算正反单边序列通过滤波器时相位偏移大小,补偿MEMS传感器的时延,然后设计自适应步长梯度下降法进行姿态解算。实验结果表明,该方法在多旋翼高速运动时可提供高时效准确的姿态信息,提高控制响应速率。

面向三维重建的自适应步长视频关键帧提取

为解决视频帧数量多、易出现模糊帧造成的三维重建计算量过大、三维模型误差较大问题,提出一种自适应步长视频关键帧提取算法。该算法基于多通道直方图欧式距离计算图像相似性,利用拉普拉斯梯度函数计算图像清晰度,根据视频帧之间的相似性动态确定关键帧提取步长,通过清晰度检测规避模糊帧。在高清匀速视频和变速模糊视频上进行实验,并与当前多种视频关键帧提取算法进行比较。实验表明,该算法显著缩短了关键帧的提取时间,重建的三维模型精度更优。

基于自适应步长的随机递归梯度算法

针对机器学习中一类有限光滑凸函数和的最小化问题,将自适应步长与SARAH++算法结合,提出了一种改进的算法SARAH++AS.然后在强凸的假设下证明了它的收敛性.最后从实验结果分析来看,相比于使用固定步长的SARAH++算法,新算法的收敛速度更快,不受初始步长选取的影响.新算法对初始步长的选择是有效的.

结构动力方程的一种自适应步长增维精细积分法

增维精细积分法是一种求解结构动力方程的高精度逐步积分算法,其步长的选取会对计算精度产生极大的影响,在实际应用中存在难以确定合适步长的问题。为满足实际工程中对计算精度和效率的要求,提出了一种计算误差的估计方法,并以估计误差和迭代收敛速度为基准,建立了一种自适应步长增维精细积分法。针对三种结构动力方程的算例结果表明,在计算各类线性及非线性振动问题时,该方法均可以在保证计算精度的前提下快速有效地控制算法的计算步长,并且仅需较少的额外计算消耗,显著提高了增维精细积分法的计算效率,使该方法在求解结构动力方程时更具计算优势和实用价值。

运动方程自适应步长求解的一个新进展--基于EEP超收敛计算的线性有限元法

该文采用最简单的Galerkin型线性单元,对运动方程构建了简捷高效的单步法递推公式;进而基于EEP超收敛计算技术,开发了单元步长自动优化和结点位移精度修正两项关键技术,可在整个时域上得到误差分布均匀且逐点满足给定的误差限的解答——堪称数值解析解。该文给出了单自由度和多自由度的数值算例以验证本法的有效性。

基于自适应步长选择的NCC图像匹配算法

在基于灰度相关的图像匹配算法中，归一化互相关（Ncc）匹配算法是常用的匹配算法，但算法复杂、匹配时间长是制约其应用的主要原因。本文提出一种基于自适应步长选择的NCC匹配算法，根据归一化互相关系数自适应地选择搜索步长，加快了匹配速度；改进归一化互相关系数算子，增加了步长选择阈值的区分度，提高了自适应选取步长的精确度，实现了匹配时间和匹配精度的合理分配。实验表明，该算法在保证匹配精度的同时，匹配时间缩短为传统NCC算法的10％～50％。

一种自适应步长布谷鸟搜索算法

针对布谷鸟搜索算法(CS)后期收敛速度慢、计算精度不高等不足,提出了一种自适应步长调整布谷鸟搜索算法,加快布谷鸟搜索算法的搜索速度,提高其计算精度。通过8个标准测试函数测试的结果表明,改进后的自适应步长布谷鸟搜索算法具有较快的收敛速度和较高的寻优精度。

基于自适应步长的支持向量机快速训练算法

支持向量机训练问题实质上是求解一个凸二次规划问题。当训练样本数量非常多时,常规训练算法便失去了学习能力。为了解决该问题并提高支持向量机训练速度,分析了支持向量机的本质特征,提出了一种基于自适应步长的支持向量机快速训练算法。在保证不损失训练精度的前提下,使训练速度有较大提高。在UCI标准数据集上进行的实验表明,该算法具有较好的性能,在一定程度上克服了常规支持向量机训练速度较慢的缺点、尤其在大规模训练集的情况下,采用该算法能够较大幅度地减小计算复杂度,提高训练速度。

自适应步长和发现概率的布谷鸟搜索算法

针对因参数设置为常数、个体参数设置相同而导致布谷鸟算法求解精度降低的问题,提出一种基于适应值分配的自适应步长和发现概率的布谷鸟搜索算法,进行仿真实验,并与其他改进算法进行对比研究。结果表明:自适应步长和发现概率的布谷鸟搜索算法提高了算法的计算精度,计算结果优于原始的布谷鸟算法;与其他改进的布谷鸟算法相比,具有较强的竞争性。