基于时空间联合去噪的改进差分进化算法

在工程问题的优化求解过程中,对个体的适应度评价可能会受到环境噪声的干扰,进而影响对种群进行合理的优胜劣汰操作,造成算法性能下降。为了对抗噪声环境的影响,提出了一种基于时空间联合去噪的改进差分进化算法(SEDADE)。根据适应度排名将种群划分成两个子种群,对评价较差个体组成的子种群用分布估计算法(EDA)进化,采用高斯分布建模解空间,利用解空间中多个个体噪声的随机性抵消噪声影响;对评价较好个体组成的子种群用差分进化算法(DE)进化,并且引入基于时间的停滞重采样机制去噪,提高收敛精度。对时空间混合进化得到的两个子种群进行基于概率选择的EDA信息利用操作,利用EDA搜索得到的全局信息引导DE的搜索方向,避免陷入局部最优。在实验中使用了被零均值高斯噪声干扰的基准函数,可以发现SEDADE相比其他算法更具有竞争性,此外通过消融实验验证了所提算法包含的3个机制的有效性和合理性。

基于双阶段搜索的约束进化多任务优化算法

高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题(CMOP)的关键;然而,复杂约束的出现给该类问题的求解带来了更大的挑战。因此,提出一种基于双阶段搜索的约束进化多任务优化算法(TEMA),通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先,进化过程由探索和利用两个阶段组成,分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力;其次,设计一种动态约束处理策略以平衡种群中可行解的比例,从而增强算法在可行区域的探索能力;再次,提出一种回退搜索策略,利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛;最后,在两个基准测试集中的23个问题上进行对比实验。实验结果表明,TEMA分别在14个和13个测试问题上取得最优反世代距离(IGD)值和超体积(HV)值,体现出明显优势。

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。

茅盾文学进化论新释

茅盾的文学进化思想可概括为两种类型:线性文学进化论与辩证文学进化论。前者源自社会达尔文主义,后者本于黑格尔辩证法。这两种文学进化论于茅盾而言有着不同的功用:线性文学进化论旨在“破旧立新”,辩证文学进化论旨在“继旧开新”。二者殊途同归,共同服务于茅盾“为人生”的文学观。文学进化论在茅盾的早期文学思想中占据了至关重要的地位。其中的部分观点,如辩证地看待自然主义,对当前文艺理论研究仍具有一定的借鉴意义。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

一类SIS模型病原体毒力进化动力学分析

本文利用适应性动力学等理论对病原体的毒力演化进行分析,讨论可能出现的进化效果,能够为疾病的治疗方案设计、防控策略的制订提供一定的理论依据。通过引入经典的传染病SIS模型,应用进化入侵分析方法来讨论病原体能否产生进化分支,结合进化动力学理论研究了进化稳定性与感染者的恢复率、出生率之间的关系. 研究结果表明,如果权衡函数在进化奇异策略处是凹的,则该策略是收敛稳定并且是进化稳定的,即该策略为连续稳定策略,病原体不会产生进化分支。

一种采用混合策略的大规模多目标进化算法

现实中存在大量的大规模多目标优化问题,这些问题所固有的目标函数间冲突性、巨大的搜索空间以及决策变量可能存在的交互等特征对传统的多目标进化算法构成了巨大的挑战.研究者根据此类问题的特点基于不同的视角提出了多种大规模多目标进化算法,但它们在解题的质量和效率方面尚存较大的提升空间.基于此,提出一种采用混合策略的大规模多目标进化算法LSMOEA/HS.该算法提出的一种黄金分层分组方法将大规模决策变量分成收敛性组和多样性组,然后对收敛性变量组执行基于变量组的相关性检测操作,将收敛性变量组划分成若干更小规模的子组,最后算法采用不同的优化策略分别优化收敛性变量组和多样性变量组以获得最终的解题结果.为验证LSMOEA/HS的有效性,将其与五种新近提出的高效的大规模多目标进化算法一同在决策变量维度为200、500、1000、2000和5000的2-目标和3-目标的LSMOP系列测试实例上进行IGD和HV性能测试,实验结果表明LSMOEA/HS具有显著较优的收敛性和多样性.由此表明,LSMOEA/HS是一种颇具前景的大规模多目标进化算法.

有组织教研:人工智能环境下教师研修的有序进化

传统教师教研形式因客观性不强、持续性不够、衔接性不足,与时代所需要的高质量教研相悖,影响了教师的专业发展。基于生态进化理论,建构以人工智能技术为教师提供选题、过程支持、资源制度、工具辅助和协同机制的有组织教研模式,以提升教研与教师的个体适配,形成有组织的多主体行动网络,并在有序原理和整体原理的框架下,建构了智能技术支持的教师有组织教研运行模型。有组织教研的关键问题是教师动态需求的系统捕获、内容进化的智能控制、自适应路径的有效调节、研修空间的适应性调整、语义关联的建立,并形成面对理论与实践冲突、转化机制异化、主体与相关要素不适切等问题的处理机制。要实现人工智能支持的有组织教研,需要按照有组织教研的运行建立设计人工智能元平台,布局大数据采集平台,开发教育人工智能的算力,并在制度和理念的双向演进中通过实践进行优化,实现人工智能下教师研修模式的迭代。

面向复杂物流配送场景的车辆路径规划多任务辅助进化算法

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

基于改进的差分进化算法求解SWMP问题

需求侧响应可以为电网带来可观的收益,计及需求响应的电力系统经济调度优化方法研究成为国内外学者的关注的课题。提出了一种可以用于解决计及需求侧响应的电力系统经济调度问题的基于随机黑洞模型的差分进化算法(sequence-based differential evolution hole,S-DEH),该算法基于原始的差分进化算法结合随机黑洞模型,对初始序列敏感性高,稳定可靠,计算量小,能够针对不同的问题选择最佳的控制参数,能够减少人为的操作失误和调整优化算法参数所需要的时间,具有很高的求解效率。同时所采用的演算模型为计及需求侧响应的求解电力系统的单时段的社会效益最大化问题(social welfare maximization problem,SWMP),以验证算法的性能,并通过求解多时段的SWMP优化调度问题验证了算法在处理高维度复杂优化问题时仍能保持高效的性能。

智能时代的学习与进化:重构人类“学与教”范式

伴随着时代发展和生命进化,人类的学习也经历了从自然学习、文化学习到智能学习,从本能学习、超本能学习到反本能学习,从自然学习力、文化学习力到智能学习力,从文字式学习、网络式学习到智能式学习的多重进化。在进化过程中,需要明晰“学习的理想”,既要理解“学习的常识”,也要创造“学习的新识”。同时,还要警惕智能时代的学习,可能出现的“穿新鞋走老路”和“穿新鞋走错路”等异化现象,并以良好的心态应对学习进化带来的诸多挑战。

共生视域下区域数字创新生态系统进化与障碍度研究

建设区域数字创新生态系统对提升创新驱动力、实现数字中国具有重要现实意义。从共生视域结合技术进化理论,分析区域数字创新生态系统内涵与进化机制,进而构建评价指标体系,基于2013-2021年省级面板数据,运用共生度、共生进化动量和障碍因子诊断分析模型等探究区域数字创新生态系统进化过程及障碍度。结果表明:①我国区域数字创新生态系统共生度整体呈现上升趋势,但地区差异显著;②共生进化呈现良好发展态势,但也存在明显的区域“马太效应”,总体进化动量非均衡性波动减小,区域不均衡是造成总体进化动量不均衡的主要来源,进化动量轨迹由初、中级水平转向中高、高级水平;③区域共生基质是制约共生进化的主要障碍因子,其数字技术发展平均障碍度为37.47%,是影响数字创新生态系统发展的关键。

AIGC赋能“中文+职业教育”资源智能生成与质量进化——内涵、机理与模式构建

AIGC赋能“中文+职业教育”资源智能生成与质量进化有望为国际中文教育和职业教育的融合发展与协同出海保驾护航,文章旨在回答AIGC何以及如何赋能“中文+职业教育”资源建设的关键问题。首先,笔者明确了“中文+职业教育”资源建设的原则、目标与任务,厘清AIGC赋能“中文+职业教育”资源建设提量、增质与人机共生的基本内涵;其次,基于S-O-R模型构建人机共生“中文+职业教育”资源建设机理,将“人机共生”核心机制贯穿于AIGC赋能“中文+职业教育”资源建设的四个阶段;进一步提出基于AIGC的“中文+职业教育”资源智能生成与质量进化模式,融合资源需求规划、资源智能生成、资源质量审核与资源质量进化四个模块形成紧密的信息传递与反馈机制,为人机协同“中文+职业教育”资源开发提供创新方案。最后,文章提出模式运行的关键困境与突破进路,旨在为AIGC赋能的“中文+职业教育”资源建设模式可持续运行提供有效支撑,更为“中文+职业教育”走向世界提供保障。

“双高计划”向纵深推进亟待加强高职专业群研究——评《和而不同·和合共生:高职专业群生态系统的协同进化与治理方略》

中国特色高水平高职学校和专业建设计划的开展,标志着我国高等职业教育正式进入“双高计划”时代。纵观高等职业教育的发展历程,从20世纪80年代的首批短期职业大学开始,历经“示范校”“骨干校”“优质校”等发展阶段,从2019年开始,正式进入“双高校”时期。从上述发展阶段可以看出,我国高等职业教育的发展已经开始从规模扩张向内涵式发展转向,更加注重特色优质高职院校的示范引领作用,更加强调专业和专业群建设。截至目前,首轮“双高计划”即将收关,新一轮的“双高计划”将要开展,专业群建设成为高职院校专业结构优化与提质增效的重要抓手之一。高职专业群建设及其适应性提升是一个复杂的系统性问题,涉及不同层面、不同要素的协同作用。高职专业群之间及其与外部环境之间存在融合、交合、契合、匹配的可能性,这种“和合”的状态蕴藏着“1+1>2”的协同能量,蕴含着“群道当,则万物皆得其宜”的价值追求。

领导者引导与支配解进化的多目标矮猫鼬算法

面对现实中日益复杂的多目标优化问题,需要发展新型多目标优化算法应对挑战。提出一种基于领导者引导与支配解动态缩减进化的多目标矮猫鼬优化算法(MODMO)。领导者引导机制通过引入动态权衡因子以调控侦察猫鼬探寻土丘的搜索半径,同时以非劣解集构建外部存档并根据非支配排序层级确定出领导者,进而引导侦察猫鼬向多目标前沿面推进以改善算法的收敛性;支配解动态缩减进化策略是为克服非劣解外部存档维护过程中的解冗余问题而构建,其以支配关系和拥挤距离动态筛选支配解并存入外部存档,以支配解信息融入种群进化实现多目标潜在前沿的挖掘并增强算法的多样性。在ZDT、DTLZ与WFG基准函数上,与5种代表性比较算法的实验结果表明MODMO算法在收敛性与多样性上均具有显著优势。

基于进化集成学习的用户购买意向预测

在电子商务时代背景下,精准预测用户的购买意向已经成为提高销售效率和优化客户体验的关键因素。针对传统集成策略在模型设计阶段往往受人为因素限制的问题,构建了一种自适应进化集成学习模型用于预测用户的购买意向。该模型能够自适应地选择最优基学习器和元学习器,并融合基学习器的预测信息和特征间的差异性扩展特征维度,从而提高预测的准确性。此外,为进一步优化模型的预测效果,设计了一种二元自适应差分进化算法进行特征选择,旨在筛选出对预测结果有显著影响的特征。研究结果表明,与传统优化算法相比,二元自适应差分进化算法在全局搜索和特征选择方面表现优异。相较于六种常见的集成模型和DeepForest模型,所构建的进化集成模型在AUC值上分别提高了2.76%和2.72%,并且能够缓解数据不平衡所带来的影响。

也木勒白羊的起源进化及遗传多样性分析

也木勒白羊作为新疆特色的肉毛兼用地方品种,具有适应性强、生长快、抗病力强等优势,但缺少系统性起源进化分析。本研究通过全基因组和线粒体序列分析,将也木勒白羊与其他21个绵羊品种进行比较,首次提取并组装了也木勒白羊线粒体全序列,经过主成分、进化树、群体遗传结构和群体间遗传分化指数分析,揭示也木勒白羊与哈萨克羊具有较近的亲缘关系,并发现也木勒白羊与巴音布鲁克羊存在密切的基因交流。该研究为后续深入了解也木勒白羊的遗传特征和亲缘关系提供了有力的依据,有助于该绵羊种质资源的保护和应用,为关键经济性状的基因定位以及分子育种的进一步研究提供基础信息。

分布式数据驱动的多约束进化优化算法

泛在计算模式下,数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战,构建分布式数据驱动的多约束进化优化算法(DDDEA)框架,由一系列终端节点负责数据提供和分布式评估,服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例,终端节点利用局部数据构建径向基函数(RBF)模型,辅助驱动服务器节点差分进化(DE)算法对问题进行寻优。通过与3个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比,DDDEA在68.4%的测试用例中取得显著最优结果,在84.2%的测试用例中找到可行解的成功率为1.00,表明该算法具有良好的全局搜索能力和收敛能力。

优化场景视角下的进化多任务优化综述

随着优化问题变得日益复杂,传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战,基于知识迁移的进化多任务优化(EMTO)算法应运而生,它的核心思想是通过跨任务的知识共享,同时解决多个优化问题,旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展,与已有综述文章相比,从不同的研究视角进行深入探讨,并指出了现有文献中对优化场景视角分析的缺失。鉴于此,从优化问题的应用场景出发,对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述,以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外,深入讨论进化多任务优化当前面临的挑战和未来的研究方向,旨在为未来的研究提供指导和启示。

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP),提出一种融入概率学习的混合差分进化算法(HDE PL),以实现最大完工时间和总能耗最小.根据GDRJSSP的问题特点,设计编码和解码规则,并采用差分进化算法执行全局搜索来发现优质解区域.为能更明确地引导全局搜索方向,设计基于贝叶斯网络结构的多维概率模型合理学习和积累优质解(即当前种群中的较优解)的模式信息.结合问题解的结构特征,提出基于关键路径的4种邻域结构来构造局部搜索,并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力.仿真实验和算法对比验证了HDE PL可有效求解GDRJSSP.