一种基于人工免疫的数据模式进化学习模型及其应用研究

提出了一种基于人工免疫的数据模式进化学习模型及其相应的算法,给出了抗体(检测器)群体合理数量的确定方法。将其应用于机床齿轮箱运行状态检测及故障诊断,实验结果表明,所提出的模型和动态克隆进化算法能对检测器群体的分布和总数量实现动态优化,对数据模式进行聚类,获得了较高的异常检测准确率和较强的故障诊断能力。

基于模糊进化学习的移动机器人目标跟踪控制

结合人工引力场原理、比例导航原理和非完整约束控制,研究一种用于自主式移动机器人动态目标跟踪控制算法,提出了移动机器人的模糊进化学习策略,以模糊控制器为基础,通过进化学习来搜索最优控制参数和控制量,并在动态目标跟踪实验中得到验证。

粒子群进化学习自适应双通道脉冲耦合神经网络图像融合方法研究

针对双通道脉冲耦合神经网络图像融合方法中参数选取不易确定之挑战,提出了一种基于进化学习的自适应双通道脉冲耦合图像融合方法.通过引入自适应学习能力的进化学习算法和构建新的优化目标对双通道脉冲耦合神经网络模型参数来进行优化,提出的新算法能够有效地找到双通道脉冲耦合神经网络模型的近似最优参数,克服了经典双通道脉冲耦合神经网络图像融合方法需要人工交互穷举尝试不同参数来获取较优参数之缺点.实验研究亦表明了上述优点.

进化学习策略收敛性和逃逸能力的研究

分析了基于拉马克主义的进化学习策略(简称LELS)和基于达尔文主义的进化学习策略(简称DELS)的异同;前者的生物学依据是后天获得性遗传,而后者的依据是自然选择;前者的表现型和基因型在学习的过程中同时被优化;而后者表现型的变化不会直接导致基因型的改变.利用马尔可夫链理论证明了此类算法的收敛性,并且在理论上分析了DELS具有更强的局部逃逸能力.在仿真试验中应用8个标准测试函数进行测试,结果表明此类算法具有较好的全局优化能力和较快的收敛速度,其中DELS的逃逸能力更强.

自适应格型IIR滤波器的进化学习算法

本文提出了自适应全零点格型ＩＩＲ滤波器结构及进化学习算法。全零点格型结构的自适应ＩＩＲ滤波器（ＡＩＩＲＦ）具有结构简单，计算量少等优点．新的滤波器结构和进化学习算法相结合，不仅解决了ＡＩＩＲＦ的稳定性问题，而且滤波器参数能够以很大的概率快速收敛于全局最优解，同时允许大动态范围的输入信号，尤其对高阶、极点靠近单位圆的ＡＩＩＲＦ。计算机仿真结果验证了该滤波器的有效性．

基于本体的可进化学习对象设计

学习对象规范代表并引导着学习对象的发展方向。从IMS Common Cartridge数字化学习内容封装规范及LETSI通用核心模型Core SCORM来看,学习对象呈现出分布式共享、细粒度重用、对生成性信息自动聚合等发展趋势。基于这种趋势,提出了可进化学习对象。本文对可进化学习对象的结构及特性进行了分析,采用本体作为其语义信息表示的通用框架,借助于OWL描述,设计了可进化学习对象自然生长、聚合、裂变的进化模型,为异构信息系统中ELO互操作提供了理论依据。

一种分层协同进化学习方法及其在机器人追踪中的应用

本文在分析了密歇根方法和匹茨堡方法的基础上,提出了一种新型分层协同进化学习方法。该方法由上述两类种群构成,此两类种群分别属于不同的智能层次,进行协同进化来实现智能,种群内部各自独立地采取不同的遗传操作,种群之间使用交互算法进行交流。实验表明:该方法能改善分类器系统的短视特性并提高其智能。

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。

网络学习资源进化:研究进展、难题透视与趋势分析

网络学习资源建设正在从高速增长阶段迈向高质量发展阶段,对资源动态更新、持续进化的需求越来越强烈。网络学习资源进化作为一个新兴的、多学科交叉的研究方向,在推动高质量资源建设与科学高效管理方面发挥着重要作用。当前网络学习资源进化,从研究主题来看,主要聚焦资源进化影响因素、进化技术、进化机制、进化规律以及进化预警等方面;从研究方法来看,涉及德尔菲法、社会网络分析、系统动力学仿真、机器学习、微分动力系统、时间序列分析、滞后序列分析以及流程挖掘等方法。尽管近年来,研究者从不同学科视角出发,在网络学习资源进化影响因素、模式、技术以及规律等方面取得了丰硕的研究成果,但从实践效果来看,网络学习资源自身的多样性以及系统的复杂性导致资源进化研究仍存在一些现实难题亟待解决,比如资源进化多模态难题、资源进化数据分析难题、资源进化系统仿真难题以及资源进化规律识别与验证难题等。在新技术与新方法的支持下,未来网络学习资源进化将呈现四大研究趋势,即从文本型资源进化到多模态资源进化、系统动力学指导下的资源进化仿真计算、资源进化质量的动态监测与评估反馈,以及资源关联网络的演化过程与机制。

基于自适应进化学习的约束多目标粒子群优化算法

针对约束边界粒子在边界区域搜索能力不足的问题,提出一种基于自适应进化学习的约束多目标粒子群优化算法.该算法根据不符合约束条件粒子的约束违反程度,修正优化算法的进化学习公式,提高算法在约束边界区域的搜索能力;通过引入一种基于拥挤距离的Pareto最优解分布性动态维护策略,在不增加算法复杂度的前提下改进Pareto前沿的分布性.实验结果表明,所提出的算法可以获得具有更好收敛性、分布性和多样性的Pareto前沿.

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。

进化深度学习在工业园区能源管理中的应用场景创新研究

工业园区的节能减排面临较大压力,融合数字技术进行能源管理迫在眉睫。分析了工业园区传统能源管理方式存在的典型问题;提出了一种基于进化深度学习的工业园区能源管理方法,并应用在工业园区能耗预测、智慧照明、设备预警3个关键场景中;最后总结了进化深度学习在实际应用中的保障措施,为拓展能源管理的应用场景提供了一种成熟思路。

基于云模型的自学习进化算法

结合进化论和遗传理论的最新进展,提出基于学习算子的自学习进化算法;并将正态云模型引入进化过程中,提出云学习算子和基于云学习算子的自学习进化算法.最后的仿真实验表明,该算法具有精度高、收敛速度快等优点,能在很大程度上解决了现存进化算法的低效问题.

一种基于进化过程学习的粒子群优化算法

随机优化的PSO只利用了进化过程中的上一时刻t的速度v(t)和位置x(t)信息,以及个体最优值Pi和群体最优值Pg,缺乏对待优化目标函数特征的充分认识,导致了后期进化过程的长期停滞现象。PSO在长期进化过程中,尤其是在经历了大量函数评估次数的进化后期,待优化的目标函数的性态特征可以从进化迭代过程信息中得到了解。通过采集学习PSO进化过程中的目标函数的解分布特征信息,使PSO可以利用这些特征信息来控制部分粒子的重新初始化过程和交叉选择过程,以及在参数选择中平衡探索模式和开采模式。实验结果表明,利用了进化过程信息的PSO可以增加种群的多样性,从而获得更高的优化精度和更少的期望迭代次数,虽然其轻微地增加了进化过程特征采集的时间和空间复杂性。

网络学习资源进化预警模型设计

大规模开放协同环境给网络学习资源的高效管理带来了新挑战,基于浏览量与评分排名的传统管理方法难以保证高质量网络学习资源的生成与持续进化。如何建构智能化的网络学习资源进化预警模型,是大数据时代破解网络学习资源高效管理的核心问题。该研究以网络学习资源进化预警任务的实施流程为依据,在探讨资源进化态表征、资源进化要素项提取、资源进化态标注、资源进化预警任务的数学定义等问题的基础上,构建了网络学习资源进化预警的技术模型。通过学习元平台的两个数据集实验验证表明,研究提出的预警模型在预测精准率、F1和AUC等指标方面表现优于对比算法,能较好地完成网络学习资源进化预警的任务。

基于层次分析法与差分进化算法极限学习机的自动扶梯故障检测

针对自动扶梯故障问题,以层次分析和差分进化算法极限学习机相结合的方式快速、准确地分析了自动扶梯发生的故障问题。首先,用层次分析法计算出各故障因数的权值,选取权值较大的一部分因素作为输入。然后,建立DE-ELM安全评测模型并与ELM模型比较,得出自动扶梯安全程度等级并说明自动扶梯的安全性。研究表明:对于很难或无法获得故障因素准确值的自动扶梯而言,层次分析法是一种有效实用的可靠性分析方法,再结合差分进化算法极限学习机的全局寻优能力,对自动扶梯故障问题的检测更加快速、准确。

一种求解最大独立集的自学习进化算法

为了求解最大独立集问题,通过对求解最大团问题EA/G算法的分析,从初始解选取、种群的构成、遗传策略等方面对EA/G算法进行了改进,提出了自学习进化算法,并在DIMACS基准图上进行了大量的实验.实验结果表明,该算法运算结果比EA/G算法所求结果有很好的改善.

学习型混合差分进化算法优化月台调度问题

为提高配送中心的管理水平,减少物流园区中等待作业的配送车辆的排队时间,研究了配送中心中的月台调度问题。首先,考虑月台—车辆兼容性约束和车辆作业时间窗约束,建立了以最小化总加权提前、拖后惩罚为目标的数学模型;然后,提出一种学习型混合差分进化算法,根据问题特征设计了月台调度问题的编解码方法,设计了一种学习型算子选择机制为算法在线选择交叉、变异算子,采用变邻域搜索算法作为局部搜索算法增强算法的搜索能力;最后,通过正交试验,确定了算法参数水平,进行对比实验,证明了所提模型和算法能够有效求解月台调度问题,从而帮助配送中心更好地进行月台调度管理。

广泛学习量子进化的含分布式电源配电网重构

在分布式发电条件下对配电网重构问题进行研究,可进一步提高系统供电的安全性与可靠性,同时有效地减小线路损耗,这对实现配电自动化,建设智能配电网有着重大作用和意义。通过对量子进化算法基本理论进行介绍并将其与广泛学习的思想相结合,提出基于广泛学习的量子进化算法,并应用于配电网优化重构。以IEEE33节点系统为例,通过仿真实验分析不同数量的DG接入电网中,系统的网损和电压变化情况。MATLAB仿真结果验证了方法的有效性。

基于自适应噪声的最大熵进化强化学习方法

近年来,进化策略由于其无梯度优化和高并行化效率等优点,在深度强化学习领域得到了广泛的应用.然而,传统基于进化策略的深度强化学习方法存在着学习速度慢、容易收敛到局部最优和鲁棒性较弱等问题.为此,提出了一种基于自适应噪声的最大熵进化强化学习方法.首先,引入了一种进化策略的改进办法,在“优胜”的基础上加强了“劣汰”,从而提高进化强化学习的收敛速度;其次,在目标函数中引入了策略最大熵正则项,来保证策略的随机性进而鼓励智能体对新策略的探索;最后,提出了自适应噪声控制的方式,根据当前进化情形智能化调整进化策略的搜索范围,进而减少对先验知识的依赖并提升算法的鲁棒性.实验结果表明,该方法较之传统方法在学习速度、最优性收敛和鲁棒性上有比较明显的提升.