基于病毒溯源优化思想的元启发式优化算法

为提高当前元启发式算法的优化精度和收敛性能,模拟病毒溯源过程的优化思想,文章提出一种元启发式病毒溯源多目标优化算法。给出更早感染者、最早感染者、误差最优解和算法性能评价指标的定义,构造追踪方向、追踪指令和追踪范围启发式更新算法,建立具有目标偏好的感染度函数,由此设计具有快速精准搜索能力的启发式追踪算子和筛查算子。通过17个单目标和多目标测试函数优化实验验证了所提算法在优化精度、优化速度和平均误差上均优于参与比较的其他6个元启发式算法,为复杂优化问题的求解提供了一种新的有效方法。

基于元学习个性化推荐研究综述

推荐系统作为缓解“信息过载”的工具,为用户过滤冗余信息并提供个性化服务,近年来得到了广泛应用。然而,实际推荐场景中,通常存在冷启动与不同推荐算法难以根据实际环境自适应选择等问题。元学习因其具有基于少量训练样本快速学会新知识和技能的优点,被越来越多地应用于推荐系统相关研究中。对现有基于元学习技术缓解推荐系统冷启动问题以及自适应推荐问题的主要研究进行探讨。首先,分析了基于元学习推荐在上述2个方面已取得的相关研究进展;然后,指出了现有元学习推荐研究存在难以适应复杂任务分布、计算代价高和容易陷入局部最优等问题;最后,对元学习在推荐系统领域的一些最新研究方向进行了展望。

战场频率指配问题研究综述及展望

战场频率指配能够在复杂电磁环境下将战场中有限的频谱资源指配至用频装备,对用频装备作战的效能发挥与电磁频谱作战筹划具有重要意义。本文从数学模型、求解算法两个方面分别总结归纳了静态频率指配问题(static frequency assignment problem,S-FAP)与动态频率指配问题(dynamic frequency assignment problem,D-FAP)的研究现状,分析评述了模型的适用性及算法优缺点,最后对战场频率指配未来的发展趋势进行了展望。

基于改进黏菌算法的特征选择方法

[目的]在经常处理高维数据集的大数据时代中,特征选择是至关重要的.黏菌算法(slime mould algorithm,SMA)因其简单高效而被广泛应用于特征选择领域,并得到改进.然而,现有改进大多局限于策略添加和算法混合,未根据特征选择问题的特点进行深入改进.为此,本文提出了一种基于改进SMA(improved SMA,ISMA)的特征选择方法.[方法]首先,针对在特征选择时适应度函数值域较小导致的SMA全局探索和局部开发能力不平衡的问题,修改决定黏菌位置更新方式的参数;其次,针对SMA倾向往原点方向收敛的问题,改进SMA的位置更新公式;最后,针对SMA容易陷入局部最优的问题,提出一种基于均衡池改进黏菌位置更新公式的方法.进一步选取Musk1数据集和Lymphography数据集对比ISMA和SMA的全局探索和局部开发能力,并选取11个UCI数据集评价ISMA的性能.[结果]与SMA相比,ISMA具有更强的全局探索能力和局部开发能力,能够很好地平衡探索与开发.与SMA、GA和BGWO1等8种算法相比,ISMA在提高模型分类性能和降低特征维度上均有一定的竞争力.从平均分类准确率的角度看,与SMA相比,ISMA在所有数据集上均优于SMA,平均分类准确率最高提升6.53个百分点.与其他对比算法相比,ISMA在9个数据集上取得最优的平均分类准确率,而在剩下的2个数据集上也取得了次优的平均分类准确率,与第一名仅分别相差0.19个百分点和0.05个百分点,同时其平均维度缩减率均优于第一名.从平均维度缩减率的角度看,ISMA在2个数据集上取得最优的维度缩减率,总体表现良好.[结论]本文提出的基于ISMA的特征选择方法具有更高的泛化性能,与其他元启发式特征选择算法相比也有一定的优势.

DL-MAML:一种新的蝴蝶物种自动识别模型

蝴蝶种类成千上万,每种蝴蝶都与一定植物密切相关,研究蝴蝶种类自动识别有重要意义.野外环境下的蝴蝶物种识别研究受制于现有数据集蝴蝶种类较少,每类样本(图像)数量较少,使基于机器学习的蝴蝶种类识别面临泛化推广难的挑战.另外,野外环境下的蝴蝶翅膀遮挡使分类特征学习面临挑战.因此,提出基于元学习的蝴蝶物种自动识别新模型DL-MAML(deep learning advanced model-agnostic meta-learning),实现野外环境下的任意蝴蝶种类识别.首先,DL-MAML模型采用L2正则改进经典元学习算法MAML(model-agnostic meta-learning)的目标函数和模型参数更新方法,并对MAML增加了2层特征学习模块,避免模型陷入过拟合风险,解决现有野外环境下蝴蝶物种识别面临的泛化推广困难;其次,采用ResNet34深度学习模型提取蝴蝶分类特征,对图像进行表征预处理,作为DL-MAML模型元学习模块的输入,克服其特征提取不足的缺陷,以及野外环境下蝴蝶翅膀遮挡带来的分类特征学习困难.大量消融实验以及与同类模型的实验比较表明,DL-MAML算法学习获得的初始模型参数对蝴蝶新类识别具有很好的效果,优于MAML和其他同类模型,对野外环境下的蝴蝶种类识别很有效,使利用现有野外环境下的蝴蝶数据集构造通用且完全的蝴蝶物种识别系统成为可能.

基于图卷积网络求解开放车间调度问题的方法

传统的元启发式算法难以有效求解大规模开放车间调度问题(OSSP),为此提出了一种基于图卷积网络GCN求解OSSP的方法。首先,设计了基于GCN的开放车间调度模型,将OSSP的工序节点特征嵌入图中并对其进行多层卷积操作,有效获取了工序节点之间复杂的依赖关系。然后,为了提高求解大规模OSSP的效率和质量,提出了一种基于GCN的开放车间调度算法。实验结果表明,该方法能有效求解不同规模的OSSP实例,与元启发式算法相比,在求解大规模OSSP实例时该方法表现出更优秀的求解质量和效率。

传统机器学习模型的超参数优化技术评估

合理的超参数能够保证机器学习模型适应不同背景和不同任务。为了避免在模型超参数数量过多、搜索空间过大的情况下出现手动调节导致的效率低下问题,多种超参数优化技术已经被研发并运用到机器学习模型训练中。文中首先回顾了8种常见的超参数优化技术,即网格搜索、随机搜索、贝叶斯优化、Hyperband、BOHB、遗传算法、粒子群优化算法和协方差矩阵自适应进化策略,并从时间性能、最终结果、并行能力、可拓展性、稳健性和灵活性5个方面分析各类方法的优缺点。其次,将8种方法应用到LightGBM、XGBoost、随机森林和KNN这4种传统机器学习模型上,在4个基准数据集上完成了回归、二分类和多分类的实验,对各类方法进行了比较。最后总结了各类方法的优缺点,给出了不同方法的适用情景。

多源数据预测重庆市肝炎发病趋势的时滞输入神经网络研究

目的利用多源互联网数据构建时序分析融合工具,继而精准预测重庆市肝炎的发病趋势。方法利用卫生疾控中心数据库获取肝炎发病率数据,大气污染物数据来源于中国环境监测总站官网,气候数据来源于国家气象星系中心,网络指数数据来源于百度搜索引擎,时间范围均为2013年11月至2023年5月。基于现有的时序分析方法,利用多源数据对分解模型的残差部分进行校正。基于非自回归(non-autoregressive,NAR)和长短期记忆递归神经网络(long short term memory,LSTM)的各自优势,构建了时滞输入神经网络(delayed input neural network,DINN)。之后,还在其基础上加入了星雀优化算法(nutcracker optimizer algorithm,NOA)和联合四分位-Huber损失函数(joint quantile Huber loss,JQHL)等优化模块,继而构建了DINN+。结果相较于常见的单输入模型及同步多输入模型,DINN可取得最为优异的预测效果。在加入超参数和损失函数优化后,DINN+的预测性能进一步提升,其测试集MSE为0.1709、MAE为0.4612、RMSE为0.5821、MAPE为0.0626、R 2为0.8840。结论基于多样方法和多元数据融合的思想,在既往的时序分析方法基础上,本文提出了一个准确性和泛化能力良好的DINN+优化模型。该模型丰富和补充了利用多源数据校准传染病时序预测分析的方法学研究内容,可作为未来传染病公共卫生层面影响因素分析及趋势预测的全新基准。

基于混沌博弈优化的固体氧化物燃料电池模型参数优化设计

固体氧化物燃料电池(solid oxide fuel cell, SOFC)因具有转换效率高、无污染物排放、运行噪声低等特点被视为前景广阔的绿色发电技术之一,其被广泛应用于电力系统和交通运输等领域。针对SOFC稳态模型的参数优化设计问题,提出了一种基于混沌博弈优化(chaosgameoptimization, CGO)方法的SOFCs参数提取框架。同时,利用芬兰燃料电池技术公司Elcogen生产的陶瓷阳极支撑型平板式低温单体燃料电池(ASC-400B)工作于两种不同温度(即600℃和700℃)下的实验数据以及美国蒙大拿州立大学开发的基于物理模型的5 kW级管式SOFC电池堆栈模型在两种不同温度(即850℃和950℃)下的仿真数据,分别对所提框架、蒲公英优化器(dandelion optimizer, DO)、平衡优化器(equilibrium optimizer, EO)、粒子群优化(particle swarm optimization, PSO)算法和白鲨优化器(white shark optimizer, WSO)的参数提取的性能进行了深入的研究和分析。测试结果表明:相比于DO、EO、PSO和WSO,CGO能够准确、稳定且快速地提取上述各种SOFCs的模型未知参数,为SOFCs的系统建模提供了一种高效的方法。

自动驾驶汽车的高效对抗性场景测试方法研究

在自动驾驶安全性的研究和应用中,测试里程长、暴露危险场景单一的问题使自动驾驶安全性能的提升受到限制。使用对抗性场景进行测试被认为是解决上述问题的重要手段,然而,现有研究采用通用的优化算法作为框架,将大量计算资源浪费在对参数空间的探索过程中,效率低下。在计算成本的约束下,这些算法甚至无法在更复杂的环境中测试出足够多、足够丰富的失效样本。复杂环境中的对抗性场景测试面临三大挑战:信息匮乏;对抗性样本在庞大的参数空间中稀疏分布;搜索过程中探索与利用难以平衡。该文从这三大挑战出发,提出一种高效的对抗性场景测试框架,通过代理模型来获取更多关于参数空间的信息,精选小样本,以打破庞大空间中稀疏事件的制约,对未知区域和对抗性样本附近的目标进行有针对性的搜索和更新,以实现探索和利用的平衡。实验证明,该文提出方法的搜索效率是随机采样的4倍,与通用遗传算法相比,效率提升一倍以上,在有限的仿真测试次数下,生成了更多容易使被测自动驾驶系统失效的对抗性测试用例。特别地,该文提出的方法能够找出许多离群的对抗性样本,揭示出现有算法无法识别的失效模式。此外,该文提出的方法能够快速、全面地定位出被测算法的脆弱场景,为自动驾驶算法的测试验证、迭代升级提供支持。

基于对称映射搜索策略的自适应金鹰算法及应用

金鹰优化算法(Golden Eagle Optimizer,GEO)是一种基于种群的元启发式算法,其模拟了金鹰的合作狩猎行为。针对GEO算法中存在的求解精度差和陷入局部最优等问题,文中提出了一种改进MERGEO(Mapped Elitist Reverse GEO)算法。在原算法基础上采用对称映射搜索策略、自适应精英策略和随机反向学习机制这3种方法平衡了算法的探索和开发阶段,获得了规避局部最优能力和较好的优化精度。在10个基准测试函数上对该算法进行独立策略有效性分析、可扩展性分析以及同其他算法的优化性能比较分析。实验结果表明,改进后的MERGEO算法具有较强的竞争力和良好的优化能力。将改进后的算法用于无线传感器网络的覆盖优化问题和压力容器设计问题研究,验证了其实际应用价值。

融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法

针对哈里斯鹰优化算法(Harris Hawks optimization,HHO)易早熟收敛、寻优精度低、收敛速度慢等问题,提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法(improved Harris Hawks optimization,IHHO)。首先,初始化阶段引入Circle混沌映射,提高初始化种群多样性和种群位置质量;其次,引入Sigmoid非线性收敛因子,平衡全局探索和局部开发能力;最后,针对HHO算法易陷入局部最优问题,提出变异准反射学习(quasi-reflection-based learning,QRBL)策略,提高种群活力,进一步提高算法局部收敛能力。仿真实验采用13个标准测试函数和1个经典工程问题对改进算法进行测试,结果表明改进算法收敛精度、收敛速度均有较大提高,适用于解决实际问题。

求解最小双连通支配集问题的变邻域禁忌搜索算法

针对经典NP难优化问题——最小双连通支配集问题,提出了一种元启发式求解算法——变邻域禁忌搜索算法。算法将原优化问题的求解转换为一系列判定问题——k双连通支配集问题的求解,使用两种邻域结构更加有效地覆盖解空间,同时使用扰动及禁忌机制帮助算法跳出局部最优陷阱。通过与现有文献中的精确算法、启发式算法在国际文献公开的38个双连通图算例上的实验对比,结果表明变邻域禁忌搜索算法能够有效求解最小双连通支配集问题,可求得所有公开算例的最优解,并且在稠密图中计算效率明显优先于其他算法。

群集智能优化算法的典型改进方法综述

元启发式群集智能优化算法通过模拟自然现象或生物行为来寻找问题的最优解,是一类成功且具有竞争力的全局优化方法。本文概述了近几年典型的元启发式群集智能优化算法及其设计原理;详细介绍了其中4类典型改进方法:种群初始化、增添新策略、迭代公式调整、算法混合;对元启发式群集智能优化算法未来的改进和发展进行了展望。

异构云系统中成本和能耗联合优化的调度方法

为了解决异构云系统(HCS)中成本和能耗联合优化问题,将群体智能优化算法应用于任务调度问题,提出了一种基于反向解的白鲨优化算法(RS_WSO)。RS_WSO是一种元启发式算法,包括种群初始化、计算反向解、追踪猎物、寻找猎物阶段。在表观基因组(EP)和高斯消元(GE)两个科学工作流进行实验,结果表明RS_WSO算法相比当前先进的元启发式算法,在节约成本、减少能量消耗方面,具有明显优势。

基于半监督学习代理辅助的混合进化算法

针对目标函数评价昂贵的优化问题,在计算资源有限的情况下很难获得足够数据训练一个准确的全局代理模型,然而,不准确的全局代理模型其潜在优势是可以平滑局部极值点,从而可以引导算法加速找到最优解。另一方面,局部模型虽然不能辅助算法跳出局部最优,但是其相对于全局模型在局部区域具有较好的拟合效果。本文利用这两类模型的优点,针对计算昂贵问题提出了基于半监督学习代理模型的混合进化算法(SSL-SAHA)。在现有算法的基础上,对局部搜索部分进行了改进。利用在全局搜索过程中建立的集成模型选择一些未真实计算的个体,一起用于训练局部模型,从而提高局部RBF模型的估值准确度。实验结果表明,此算法可以有效求解计算昂贵问题。

个性化算法推荐服务用户采纳意愿影响因素:元分析研究

数智时代,个性化算法推荐服务迅速发展。关于个性化算法推荐服务用户采纳意愿影响因素的实证研究结论存在不一致的现象,为明确关键影响因素,对该主题实证研究成果进行梳理与再分析,为后续相关研究提供借鉴。本文运用元分析方法,从国内外聚焦个性化算法推荐服务用户采纳意愿的51篇实证研究成果中识别出14个关键影响因素,其中信任、态度、感知愉悦性、交互质量、推荐信息质量等因素对用户采纳意愿作用程度较强。研究时间、社会环境和应用平台类型会对相关变量与个性化算法推荐服务用户采纳意愿之间的关系产生调节作用。

协同围攻策略改进的灰狼算法及其PID参数优化

针对灰狼优化算法(GWO)在求解优化问题时收敛速度慢和全局搜索能力弱的缺点,提出一种基于Chebyshev融合狼群协同围攻策略的改进GWO算法(CCA-GWO)并成功应用于PID参数优化。首先,通过对比三种混沌映射优缺点并最终将Chebyshev映射用于算法初始化中以增强初始解的多样性;其次,为平衡算法的全局勘探和局部开采能力,通过模拟灰狼群狩猎时头狼和次头狼的交替行为,提出一种新的非线性策略对控制参数A和C及位置更新方程进行修正;最后,将改进算法应用于PID参数优化。通过8组基准测试函数在10维、30维和100维下进行实验,并与BOA、MFO、ASO、MVO、WOA、GWO进行对比,数值实验结果表明,CCA-GWO不仅在求解不同维度的基准测试函数上具有更好的寻优性和稳定性,而且在PID参数优化中相较于6种元启发式算法表现出更好的优化性能。

极限学习机及其在质子交换膜燃料电池参数辨识中的应用

为对质子交换膜燃料电池(PEMFC)进行精确建模,需要准确辨识PEMFC中的未知参数.然而,PEMFC的参数辨识是一个多变量、多峰值和强耦合的非线性优化问题,传统的参数辨识方法往往得不到满意的结果.此外,不同运行条件下产生的噪声会阻碍启发式算法(MhAs)获取精确的参数.针对该问题,提出一种基于极限学习机(ELM)的MhAs策略——ELM-MhAs,以实现PEMFC的参数辨识.利用ELM对数据进行训练以降低或消除噪声,为MhAs提供更为准确可靠的适应度函数,从而保证MhAs对PEMFC参数的精确辨识.为验证该策略的可行性和有效性,在低温、低相对湿度和高温、高相对湿度两种条件下,分别对25组电压-电流数据进行不降噪、贝叶斯正则神经网络(BRNN)降噪以及ELM降噪处理,随后对比不同数据中6种MhAs和列文伯格-马夸尔特反向传播法的参数辨识结果.实验结果表明,与不降噪和BRNN降噪处理相比,应用ELM能够显著减少数据噪声对实验数据的影响,从而有效提高MhAs的参数辨识精度.

基于鸟群搜索行为和余弦变异的改进白鲨优化算法

白鲨优化算法是受白鲨捕猎行为的启发设计的一种新元启发式算法。该算法在求解高维优化问题时,易进入早熟状态,寻优结果精度较低。为此,文章提出一种改进的白鲨优化(improved white shake optimizer,IWSO)算法。首先使用Sinusoidal混沌映射初始化种群,以提高种群多样性及初始解在解空间的分布性;其次,引入鸟群搜索行为,赋予白鲨游动速度自适应动态惯性权重,以提高算法的收敛速度;最后,在位置更新阶段引入精英白鲨余弦变异策略,利用余弦函数的周期性特征,驱使白鲨个体在精英白鲨的有限邻域内进行精细化开发,以提高收敛精度。在23个著名基准函数和CEC2014函数上做了性能对比实验,其结果表明,IWSO算法优于6种对比算法,适合求解函数优化问题。