成本收益失衡、学习演化与区域低生育水平强化

基于成本效用理论和演化博弈理论对低生育水平进行研究,探讨低生育水平形成的原因,并利用湖北省宜昌市2015年生育意愿调查数据进行实证检验。研究发现:教育成本的上升和婚姻挤压是生育孩子成本上升的重要原因,孩子保障价值的下降是造成生育孩子收益下降的重要因素,成本上升和收益下降的双重作用使得家庭的生育意愿下降。外出务工人数的增加加剧了生育孩子的成本和效用的失衡,强化了家庭生育意愿下降的机制,学习效应促进了低生育行为的扩散,使该地区的低生育水平得以形成和强化,普遍二孩政策的放开对提升低生育地区的生育水平作用有限。

学习演化、风险预警与中小投资者H-LSV行为模型

本文综合利用Hurst指数和LSV模型,构建了证券市场上投资者羊群行为的H-LSV模型,提出了新的羊群行为模型测度方法,对证券市场上中小投资者羊群行为的非线性特征及区间长度内偏离程度进行了刻画,并基于上证综合指数给出了实证分析或动态模拟的思路和方法.根据中小投资者学习演化特征构架了以H-LSV模型为主要监测工具的风险监控与预警系统,最后从制度建设的角度提出相关对策建议.

基于学习机制的多智能体强化学习综述

强化学习作为人工智能领域的重要分支,以其在多智能体系统决策中的卓越表现,成为当前主流方法.然而,传统的多智能体强化学习算法在面对维度爆炸、训练样本稀缺和难以迁移等方面仍然存在困难.为了克服这些挑战并提升算法性能,本文从学习机制的角度入手,深入研究学习机制与强化学习的深度融合,以推动多智能体强化学习算法的发展.首先,介绍了多智能体强化学习算法的基本原理、发展历程以及算法所面临的难点.随后,引入了基于学习机制的多智能体强化学习方法这一种新兴方向.这些学习机制,如元学习和迁移学习,被证明可以有效提升多智能体的学习速度,并缓解维度爆炸等问题.按照课程学习、演化博弈、元学习、分层学习、迁移学习等学习机制在多智能体强化学习中的应用进行了综述,通过罗列这些方法的研究成果,论述了各种方法的局限性,并提出了未来改进的方向.总结了这类融合算法在实际应用中取得的提升成果和实际应用,具体列举了基于学习机制的多智能体强化学习算法在交通控制、游戏领域的实际应用案例.同时,对这类融合算法未来在理论、算法和应用方面的发展方向进行了深入分析.这涵盖了对新颖理论的探索、算法性能的进一步优化,以及在更广泛领域中的推广应用.通过这样的综述和分析,为未来多智能体强化学习算法的研究方向和实际应用提供了有益的参考.

预测型关联规则演化学习的适应值函数

为了提高基于遗传算法的分类预测准确度,探讨了评价规则质量的适应值函数,提出了基于置信度和支持度加权和的适应值函数,以取代传统的基于灵敏性和选择性的适应值函数.理论分析和实验结果都表明,文中提出的新适应值函数对于预测型关联规则演化搜索的引导作用明显地优于传统的适应值函数.新的适应值函数有利于改进基于遗传算法的机器学习.

当代国际经济研究中的演化学习机理(ELM)

演化学习机理(Evolution Learning Mechanism)是一门研究学习心理规律和原理的科学,它揭示人类如何获得比较持久的行为经验(即个体经验和社会经验),导致行为能力和心理倾向性的比较持久的变化,并分析影响学习的各种因素及其相互关系。本文首先就演化学习机理(ELM)作简要的概述,继而遵循不同的研究视角详实地剖析了国外经济学发展中演化学习机理的经典模型,最后结合当代中国经济,探讨了演化学习机理在我国经济学中的研究展望与挑战。

基于集对分析与演化细胞学习自动机的质量—成本控制方法

为了研究不确定信息对供应商参与下的产品质量—成本控制过程的影响,基于集对分析建立了质量—成本控制的多目标贴近度优化模型。对演化细胞学习自动机算法进行适应性改进后用于求解该优化模型,并得到相对确定条件下质量—成本控制方案集合的优劣排序——基序。考虑到不确定因素的影响,利用模糊集值统计法获得差异度系数后,按照联系度对基序重新排序,进而筛选出最佳的产品质量—成本控制方案,并为每种零部件选择合理的供应商。以大型空气分离设备的质量—成本控制问题为例进行仿真计算,结果表明了所提方法的可行性与有效性。

求解双层CARP优化问题的演化学习型遗传算法

双层有能力约束的弧路径优化问题(capacitated arc routing problem,CARP)的研究对象通常是某个城市或地区,首先聚焦于该地物流系统的宏观配置,然后考虑相关服务的完成问题。针对双层CARP优化问题,提出了一种演化学习型遗传算法(learnable genetic algorithm,LGA)。建立了LGA的基本框架,设计了构件知识和算子知识等知识形式。在LGA中,采用扩展启发式方法辅助生成初始种群,使用算子知识为选择、交叉和变异选择操作算子,应用构件知识为交叉和变异操作选择断点位置,同时借助局部替换程序不断地向当前种群中注入新个体。LGA的框架为现有优化方法改进提供了一种有益借鉴。

一种快速的演化学习神经网络模型

神经网络的学习算法一直是人们研究的重点,各种算法都有自己的优点和不足。演化学习具有全局优化性能好,实验样本数要求少等优点,但也存在一些问题,如演化学习的速度较慢、模型的稳定性较差等。笔者在多年的神经网络的研究过程中,对传统的演化学习算法作了一些改进,该文利用梯度下降计算改进演化算法,极大地提高了模型的学习速度,对那些需要及时优化工艺参数的生产过程,该种模型有很好的应用前景。

学习者个体发展与学习环境演化的模拟分析

学习者个体发展与学习环境演化之间存在着相互影响,相互制约的关系。为了分析这种复杂的关系,首先借助元胞自动机理论构造出了一种用于模拟学习环境演化的数学模型,然后在统计学的角度通过大量实验探讨了初始状态下学习者良好率、演化过程中的交互程度以及不同性质学习者分布情况等因素对学习环境演化的影响。实验所揭示的规律可以为学习环境的选择,学习环境的优化等教育实践活动提供一定的参考意义。

增量与演化流形学习综述

流形学习的目标是发现观测数据嵌入在高维数据空间中的低维光滑流形.近年来,在线或增量地发现内在低维流形结构成为流形学习的研究热点.从增量学习和演化学习2个方面入手,对该领域已有研究进展进行综述.增量流形学习较之传统的批量流形学习方法具有动态增量的能力,而演化流形学习能够在线地发现海量动态数据的内在规律,有利于进行维数约简和数据分析.文中对主要的增量与演化流形学习算法的基本原理、特点进行了阐述,分析了各自的优点与不足,指出了该领域的开放问题,并对进一步的研究方向进行了展望.

基于演化深度学习的图像描述自动生成技术研究

针对现有基于视觉注意力和基于文本注意力的图像描述自动生成模型无法同时兼顾描述图像细节和整体图像的问题,提出了一种基于演化深度学习的图像描述生成模型(evolutionary deep learning model for image captioning, EDLMIC),该模型是一种包含图像编码器、演化神经网络和自适应融合解码器三个子模块的图像描述自动生成模型,能够有效地融合视觉信息和文本信息,自动计算这两种信息在每个时间步所占的比例,从而基于融合的视觉文本信息更好地生成给定图像的相关描述。在Flickr30K和COCO2014两个公开数据集的实验结果表明,EDLMIC模型在METEOR、ROUGE-L、CIDEr和SPICE四个指标均优于其他基线模型,并且在多种不同的生活场景中具有较好的性能。

基于动态批量评估的绿色无梯度优化方法

在基于语言模型即服务的提示词黑盒微调、机器学习模型超参数调节等优化任务中,由于解空间到性能指标之间的映射关系复杂多变,难以显式地构建目标函数,故常采用无梯度优化方法来实现寻优.解的准确、稳定评估是有效实施无梯度优化方法的关键,完成一次解的质量评估常要求在整个数据集上完整运行一次模型,且优化过程有时需要大量评估解的质量.随着机器学习模型复杂度以及训练样本量的不断增加,准确、稳定的解的质量评估时间成本与计算代价越来越高昂,这与绿色低碳机器学习与优化理念背道而驰.有鉴于此,提出了一种基于动态批量评估的绿色无梯度优化方法框架(green derivative-free optimization with dynamic batch evaluation,GRACE),基于训练子集的相似性,在优化过程中自适应动态调节评估解时使用的样本量,使得GRACE在保证优化性能的同时,降低优化成本与代价,达到绿色低碳高效的目标.在语言模型即服务提示词黑盒微调、模型超参数优化等实际任务上进行了实验验证,通过与一系列对比方法以及GRACE消融退化版算法进行比较分析,表明了GRACE的有效性、高效性、绿色低碳性.超参数分析结果表明了其具备超参数稳健性.

海上编队协同防空作战规则反演方法

为解决海上编队协同防空作战中多任务多平台的协同决策问题,提出基于遗传模糊逻辑树的协同防空作战规则反演方法。设计面向威胁判断、目标分配、火力控制等指控决策的级联式模糊推理系统,采用演化学习从博弈对抗中学习和反演协同作战规则。作战仿真测试表明,该方法能够适应战场的动态变化且决策时延低于1 s。基于遗传模糊逻辑树的作战规则反演缓解了深度强化学习等面临的可解释性问题和作战仿真中的奖励稀疏问题,同时反演生成的作战规则也为剖析战场规律提供了新的知识来源。

基于演化博弈的证券交易者策略选择研究

在分析我国证券市场实际发展状况和回顾目前国内外相关理论研究的基础上,基于博弈学习与演进的理论思想,构建了证券市场交易者动态演化模型,并在不同标准下分析了证券交易者交易行为的动态演化过程。结果表明:在整个证券市场交易者学习与博弈演化过程中,博弈双方的效用函数、交易群体的财富水平、证券市场的风格、系统种群的初始状态、理性交易成本、证券市场固有的系统风险等因素,影响着其路径的演化方式及演化方向。同时,各个因素变量的变化也会影响着系统种群演化的路径选择和最终的均衡状态。

基于演化博弈论的资产评估主体模拟复制过程研究

基于资产评估的模拟特性,能够运用博弈论议价理论阐释资产评估师的职能。在有限理性评估主体的分析框架下,进一步应用演化博弈模型模拟资产评估主体寻求资产公允市场价格的过程,得出资产评估师可以通过自适应学习过程,形成与完全理性评估主体一致的评断结果的结论。

快速的演化神经网络模型的研究与应用

针对演化学习的速度较慢、模型的稳定性较差等,利用梯度下降计算改进演化算法,极大地提高了模型的学习速度,对那些需要及时优化工艺参数的生产过程,该种模型有很好的应用前景。

基于细粒度学习情感本体的学习效果评估方法——以算法设计与分析课程为例

教育目标包括认知领域目标、动作技能领域目标和情感领域目标。情感领域目标教育已受到越来越多教育者和众多领域学者的关注和研究。学习者的情感在传统教育和网络教育中都起着十分重要的作用,影响着学习者的学习主动性、积极性、创造性以及学习效果。基于多年承担本科生和硕士生的算法相关课程的教学实践,构建了细粒度学习情感本体,提出了基于细粒度学习情感本体的学习效果评估方法。细粒度学习情感本体的特点是引入了课程知识点之间的多种语义关系,构建了基于知识点的教师情感反馈行为分类。学习效果评估方法的特点是构建了基于细粒度学习情感本体中知识点关系路径的学习情感演化模型,并应用该模型来评估学习效果。

基于智能聚类算法的产品粒度确定方法

通过分析当前的聚类算法在产品模块划分过程中普遍存在的局限性,结合产品配置的特点,对模糊C均值算法所构建的具有片面性的目标函数和"爬山法"寻优模式的缺点进行了改进,并用于产品的模块化结构规划。提出了一种利用演化细胞学习自动机与改进后的模糊C均值聚类算法相结合的智能聚类算法进行产品粒度划分。在分析影响配置设计主要因素的基础上,建立需求满意度、装配复杂度和变型设计复杂度等三个量化指标,对不同粒度层次下模块划分结果的合理性与有效性进行评价,进而确定出最佳的粒度大小和模块数量。最后,通过实例验证说明了所提方法的可行性。

融入多维制造信息的产品典型工艺路线发现方法

为了解决以往基于聚类分析的工艺路线发现方法重用价值低的难题,使最终提取到的典型工艺路线能够更好地支持基于制造资源的重用,提出一种融入多维制造信息的产品典型工艺路线发现方法。方法研究定义了融入多维制造信息的工艺信息元和工艺路线信息模型,并通过运用核主成分分析法对组成工艺路线的工艺信息元进行了维数约简,得到工艺路线本质维度的低维信息模型。在低维工艺路线信息模型的基础上,提出了工艺路线聚类距离的计算方法,结合演化细胞学习自动机实现了工艺路线的智能聚类,并从聚类簇中提取到了典型工艺路线。通过实例验证说明了所提方法的有效性。

基于DE-ELM的林业信息文本分类算法

为解决传统林业信息文本分类算法准确率低和正确率分布不均匀的问题,提出基于差分演化优化极端学习机的林业信息文本分类算法。使用TF-IDF方法计算林业信息文本特征值,对构造的林业信息文本特征矩阵降维,结合差分演化算法对极端学习机算法进行优化,构造分类器进行精准快速的分类。实验结果表明,该算法能有效克服极端学习算法的缺点,具有较好的局部与全局收敛能力,相较BP、SVM算法,该算法有一定竞争力,为林业信息文本的分类研究提供了参考。