基于多域融合及神经架构搜索的语音增强方法

为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

自适应建模策略辅助的昂贵多目标进化算法

代理模型辅助的多目标进化算法广泛用于解决计算费时的多目标优化问题,然而现有的大部分建模方法都是为了嵌入到特定算法而设计的,适应于其他算法的能力并不强,为了能够依据数据特征自适应的建立模型,提出了一种基于自适应模型选择的建模方法。该方法的主要思想为:依据每个目标函数的样本特征,自适应的选择样本建立全局模型或者局部模型。为了验证所提出建模的方法的有效性,将提出的建模方法应用于基于高斯过程辅助的双存档费时多目标优化算法(KAT2)和基于高斯过程辅助的参考向量引导的费时多目标优化算法(K-RVEA),并且在DTLZ测试函数进行测试。通过实验证明,提出的建模方法可以有效的解决费时多目标优化问题。

基于分层级系统能力培养的计算机组成原理课程教学探索

分析计算机系统能力培养的核心目标以及存在问题,针对不同专业方向对系统能力培养的需求不同,提出分层级系统能力的培养框架。以计算机组成原理课程为例,阐述分层级系统能力培养的教学改革思路和具体实施方案。

惯性分组和重叠特征选择辅助的昂贵大规模优化算法

昂贵大规模优化问题存在着决策变量之间高度耦合、求解容易陷入局部最优以及目标评价昂贵等问题,导致在资源有限的情况下很难获得全局最优解。为此,基于合作型协同演化策略提出了一种惯性分组和重叠特征选择的方法来辅助求解昂贵大规模优化问题。首先,采用重叠特征选择技术将一个大规模优化问题分解为若干个低维的重叠子问题,并对每一个子问题进行独立的代理模型辅助的优化搜索。其次,将每个子问题搜索获得的潜力个体合成一个完整的解,对其使用昂贵目标函数进行评价。再次,算法还采用惯性分组技术控制优化过程中重新分组的频率以延长分组方案的开发周期,从而提升优化效果。最后,为了测试所提算法的性能,将其与求解昂贵大规模问题的3种优化算法在CEC2013的15个基准函数上获得的实验结果进行了对比。结果表明:所提算法在求解昂贵大规模优化问题上具有一定的竞争力,尤其适用于求解部分可分离、重叠或完全不可分离等问题。

模型辅助的计算费时进化高维多目标优化

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集,因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视.然而随着目标数量的增加,对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加.因此通过对模型最优解集的搜索探索原问题潜在的非支配解集,并基于个体的收敛性,种群的多样性和估值的不确定度,提出了一种新的期望提高计算方法,用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体,从而更新代理模型,能够在有限的计算资源下更有效地辅助优化算法找到好的非支配解集.在7个DTLZ基准测试问题上的实验对比结果表明,该算法在求解计算费时高维多目标优化问题上是有效的,且具有较强的竞争力.

一种求解约束优化问题的微粒群算法

约束保持法是目前求解约束问题时处理约束的主要方法之一,该方法的思想是确保进化过程中所有粒子始终在可行域范围内。本文借鉴复合形法的思想,提出一种求解约束优化问题的新方法。当粒子超出可行域范围时,通过反射、扩张、收缩等操作,为粒子重新产生一个可行位置。通过对标准函数仿真实验表明,该算法实现原理简单,而且能得到较优的解。

径向基函数神经网络辅助的微粒群算法

由于微粒群算法在获得最优解或近似最优解之前往往需要进行大量的目标函数评价,因此其在求解复杂优化问题时的时间消耗是不可接受的,导致其在这类优化问题上的应用受到了很大的限制。为此,我们提出使用计算廉价的径向基函数神经网络作为代理模型以替换真实的计算费时的目标函数计算。当其估值优于个体历史最优值时才进行真实的目标函数计算,从而节省计算成本。通过在6个50维的标准测试函数上的实验结果分析,该方法能够在相同目标函数评价次数下获得比标准微粒群算法更优的解,表明了所提方法对于求解复杂优化问题的有效性。

基于属性-值对的信息增益优化算法

偏向于取值较多的属性是ID3算法的一个缺陷,目前已提出的决策树的优化算法对ID3算法的改进,部分解决了该缺陷,但仅适用于两值属性的样例集,对于多值属性效果并不明显。针对该优化算法的不足,通过将属性和属性值对应成一个属性,提出了属性-值对的信息增益优化算法GBT。通过理论和实验分析,表明该算法不仅克服了ID3算法偏向于取值多属性的缺陷,同时解决了优化算法对多值属性效果不明显的不足。

基于ASP的通用查询系统的设计与实现

该文介绍了如何利用ASP技术来实现通用查询系统,让用户根据自己的查询需求自由组合查询条件,并应用到实际系统中,收到了良好的效果。

基于分解的高维多目标改进进化算法

针对基于参考向量的高维多目标进化算法中随机选择父代个体会降低算法的收敛速度,以及部分参考向量分配个体的缺失会减弱种群多样性的问题,提出了一种基于分解的高维多目标改进优化算法(IMaOEA/D)。首先,在分解策略框架下,当一个参考向量至少分配了2个个体时,对该参考向量分配的个体根据其到理想点的距离选择父代个体来繁殖子代,从而提高搜索速度。然后,针对未能分配到至少2个个体的参考向量,则从所有个体中选择沿该参考向量和理想点距离最小的点,使得该参考向量至少有2个个体与其相关。同时,确保环境选择后每个参考向量有一个个体与其相关,从而保证种群的多样性。在10个和15个目标的MaF测试问题集上将所提算法与其他4个基于分解的高维多目标优化算法进行了测试对比,实验结果表明所提算法对于高维多目标优化问题具有较好的寻优能力,且该算法在30个测试问题中的14个测试问题上得到的优化结果均优于其他4个对比算法,特别是对于退化问题具有一定的寻优优势。

代理模型辅助进化算法在高维优化问题中的应用

目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion based Gaussian Process model assisted Social learning particle swarm optimization,MICGP-SLPSO)。将多目标的方法引入模型管理中,提出多目标加点规则,进而发展了一种新的基于代理模型的微粒群算法优化策略。选用高斯过程构造代理模型,采用微粒群算法对所构造的代理模型进行优化,根据已知信息,将期望改进准则(EI)及统计下限最小值准则LCB作为两个目标,用来确定哪些候选解进行实际计算。将本优化策略用于基准函数测试问题和阶梯悬臂梁设计优化实例,并与国内外现有研究成果进行比较,证明了MICGP-SLPSO在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势。

基于分布式框架的并行PSO算法

在使用微粒群算法对大规模优化问题求解时往往需要大量的目标函数评价次数,从而耗费大量的计算时间,而分布式计算和通用计算图形处理器(General Purpose GPU)可以减少耗时.本文通过将微粒群算法在分布式框架下GPU并行计算实现,将粒子分到各个计算节点进行异步计算,而每个节点中的粒子实行同步进化,从而提高微粒群算法求解大规模优化问题的效率.实验方法采用5个标准测试函数进行测试,实验结果表明本文方法在在求解大规模优化问题时在计算效率上有了数倍至数十倍的提升.

全局与局部模型交替辅助的差分进化算法

为求解实际复杂工程应用中的高维计算费时优化问题,提出一种全局与局部代理模型交替辅助的差分进化算法。利用历史样本训练全局和局部代理模型,通过交替搜索全局和局部代理模型得到模型最优解并对其进行真实目标函数评价,实现探索和开采的平衡以减少真实目标函数的计算次数,同时通过针对性地选择个体进行真实目标函数计算,辅助算法快速找到目标函数的较优解。在15个低维测试问题和14个高维测试问题上的实验结果表明,在有限的计算资源情况下,该算法在12个低维测试问题上相较于最优重启策略代理辅助的社会学习粒子群优化算法、基于主动学习的代理模型辅助的粒子群优化算法等表现更好,在7个高维测试问题上相较于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法、求解高维费时问题的代理辅助的多种群优化算法等能找到目标函数的更优解。

基于分层学习的改进PSO算法求解复杂优化问题

针对社会学习粒子群算法存在的收敛速度慢及进化后期种群多样性缺失等问题,提出了一种基于分层学习的改进粒子群算法。首先,引入分层学习策略,并将其加入社会学习粒子群算法中,实现对种群中不同状态粒子的差别对待,从而增强算法中粒子的探索与开发能力;其次,对个体设定贡献值度量,在贡献值的基础通过减少种群数量,减少计算资源的浪费。最后,使用CEC2010测试函数集对所提算法进行测试,并与5种典型算法进行对比,验证了所提算法的有效性。

基于决策变量分组的粒子群算法求解大规模优化问题

针对社会学习粒子群算法在求解大规模优化问题时存在的收敛速度慢以及种群多样性缺失等问题,提出一种基于决策变量分组的粒子群算法.根据决策变量间的相关性对决策变量分组,提高算法的收敛速度.采用反向学习策略,通过生成反向解,提高算法的全局寻优能力.采用CEC2010测试函数集对本文算法进行测试,仿真结果与已有典型算法进行对比,验证了本文算法的有效性.

求解大规模多目标问题的改进粒子群算法

针对大规模多目标优化问题,提出了一种基于分解的改进粒子群算法。该方法将分解策略与社会学习粒子群优化算法相结合引入到个体的学习过程中,针对每个个体及其邻域个体,计算其沿权重向量方向与参考点之间的距离以及与权重向量之间的距离并对它们进行排序,个体通过学习离参考点近的任意个体以及离权重向量近的所有个体实现位置的更新。在5个ZDT测试函数上进行了500维和1000维的测试对比,结果表明本文所提的算法具有较好的收敛性以及分布均匀性。

微粒群进化估值策略在多目标优化中的应用

作为群智能算法,微粒群算法由于在获得最优解集之前需要大量的适应值评价,从而阻碍了其在复杂的多目标优化优化问题中的应用。为了解决该问题,本文将进化估值策略引入到多目标微粒群算法中,用适应值估计代替适应值实际评价,以减少适应值实际计算次数,从而节省计算花费。实验结果表明引入进化估值策略的多目标微粒群算法可以大大减少适应值的评价次数,而相似度的评价控制机制可提高估值的准确性,从而在减少评价次数的同时提高算法的优化性能。

一种混合拟态物理学优化算法

在拟态物理学优化算法中,群体中所有个体都采用相同的作用力规则来产生后代,所有个体均表现出相同的搜索特征,使算法的种群多样性较差。借鉴物理学中不同环境下个体之间的物理规则不同,且遵循的运动规律亦不同,为算法迭代过程中不同的优化个体制定了不同的作用力规则,采用随机选择策略为不同个体动态分配不同的作用力规则,以增加种群多样性。然后用仿真实验验证了该混合拟态物理学优化算法的有效性。

结合车辆日检的混凝土罐车调度问题研究

结合车辆日检因素建立基于网络流模型的混凝土罐车调度问题混合整数规划模型,并提出一种结合启发式规则和车辆流冲突选择策略的遗传算法对问题优化求解。结果表明,所提出的算法可以有效地获取更优的罐车调度计划,节省企业成本、提高效益,同时可为混凝土企业的车辆购买或租用计划提供有益的指导。

分布式多层结构的工程勘测MIS系统的设计

讨论了分布式多层应用体系的结构、特点及实现技术,在此基础上,针对水电工程勘测工作的特点,设计和实现了一个高效、稳固、安全的分布式多层结构的工程勘测管理信息系统。