前瞻动态编码搜索算法

动态编码搜索算法快速高效的求解全局优化问题。算法基本结构是二进制矩阵,它包括对分搜索和单向搜索两个基本过程。针对算法容易陷入局部最优的问题,提出一种改进的全局优化算法:前瞻算法。前瞻算法基于扩大视野、全局把握的思想。测试例子的结果表明,与动态编码搜索算法相比前瞻算法具有较强的跳出局部最优的能力,对高度非线性、强振荡的函数优化问题。

基于深度神经网络的多模态特征自适应聚类方法

深度神经网络学习单模态特征的能力较强,而学习多模态特征的难度较大。针对这种情况,提出基于深度神经网络的多模态特征自适应分类算法。在训练阶段以预定的概率从每个模态选择部分代表信息进行融合,并且建模模式间的相关性。设计基于聚类的特征剪枝策略,减小网络的计算复杂度,通过正则化防止学习程序过拟合。利用动态编码搜索对超参数进行自适应地优化处理。采用自编码器和卷积神经网络分别对该算法进行验证,实现了较好的多模态特征分类效果,并且对数据缺失具有鲁棒性。

基于模拟退火的DEAS算法

针对动态编码搜索算法(DEAS)求解全局优化问题容易陷入局部最优解的问题,提出一种基于模拟退火思想的动态编码随机搜索算法。算法的静态数据结构是二进制矩阵,矩阵每一行代表问题的一个维度;动态过程包括增加串长执行搜索和在最优方向的引导下探索两个基本过程。数值实验的结果表明,对非线性的和不连续的多维函数,改进随机算法的性能要优于原始DEAS算法,具有对初始解强的鲁棒性和更强的跳出局部最优解的优点。