多策略融合的蛇优化算法及其应用

针对蛇算法寻优阶段交互性差,初始种群随机程度严重,易陷入局部最优解等问题,提出了一种多策略融合的蛇优化算法(multi-strategy snake optimizer, MSSO)。首先,利用正交矩阵对蛇种群进行初始化,使个体分布更加均匀;其次,设计探索开发阶段切换的自适应方程,用以替换原有的食物量与温度阈值,使算法进行自适应阶段切换;最后,使用联合反向选择策略替换算法原有的新个体孵化方法,提高算法收敛精度的同时加快算法收敛效率。选取10个基准测试函数从不同角度对MSSO算法进行实验,测试算法性能,分析各策略的有效性,并使用Wilcoxon秩和检验来证明算法显著性,通过两个工程应用仿真实验来验证MSSO的实用性。各实验结果表明MSSO较比较算法综合表现更优,证明MSSO算法改进在寻优能力、鲁棒性、实用性等方面均有所提升。

多任务联合学习的图卷积神经网络推荐

基于图神经网络的协同过滤推荐可以更有效地挖掘用户项目之间的交互信息,但其性能依然受到数据稀疏和表征学习质量不高问题的影响,因此提出一种多任务联合学习的图卷积神经网络推荐(multi-task joint learning for graph convolutional neural network recommendations,MTJL-GCN)模型。利用图神经网络在用户-项目交互图上所聚集到的同质结构信息与初始嵌入信息形成结构邻居关系,设计节点邻居关系的对比学习辅助任务来缓解数据稀疏问题;向节点的原始表征添加随机的统一噪声进行表征级数据增强,构建节点表征关系的对比学习辅助任务,并提出直接优化对齐性和均匀性两个属性的学习目标来提高表征学习质量;将图协同过滤推荐任务与对比学习辅助任务和直接优化学习目标进行联合训练,从而提升推荐性能。在Amazon-books和Yelp2018两个公开数据集上进行实验,该模型在Recall@k和NDCG@k两个推荐性能指标上的表现均优于基线模型,证明了MTJL-GCN模型的有效性。