基于动态分解和角度惩罚距离的高维多目标进化算法

多个领域的优化可归纳为高维多目标优化问题,高维多目标进化算法是解决此类问题的有效方法,然而该方法普遍存在收敛性和多样性较难平衡的问题.针对此问题,本文提出一种基于动态分解和角度惩罚距离的高维多目标进化算法.该算法基于动态分解将种群分成多个类,此过程无需预先设定参考向量,可根据种群自身分布信息进行分解.之后,基于改进的角度惩罚距离从每类中选择个体,从而平衡收敛性与多样性.此外,设计基于Pareto支配、拐点、m近邻角度三原则的锦标赛匹配选择机制.本文算法与9种高维多目标进化算法在27例高维多目标优化测试题上进行对比实验.实验结果表明,本文算法能有效解决不同类型的高维多目标优化问题,并且在不同目标个数上具有较好的稳定性.

基于角度惩罚距离精英选择策略的偏好高维目标优化算法

基于决策者偏好的高维目标优化算法能有效集中算法资源和减小搜索空间,是处理高维目标优化问题的有效途径之一.现有研究发现,参考点位置选择对算法性能影响显著,位于极端位置的参考点容易引发算法不收敛;同时,算法多样性在种群逼近Pareto前沿的过程中反复遭到破坏.为解决以上问题,该文提出一种基于角度惩罚距离精英选择策略的偏好高维目标优化算法.该算法将决策者偏好信息融入到基于分解的多目标优化算法中,提出偏好向量生成策略,消除算法收敛性对参考点位置的敏感性;同时引入角度惩罚距离(APD)机制,分析该机制在算法搜索后期存在种群退化、收敛放缓等缺陷的基础上,提出APD精英选择策略,通过有效分配算法资源,平衡算法收敛性和多样性.算法性能对比实验中,将该文提出的算法与g-占优、r-占优、双极偏好占优以及MOEA/D-PRE在3至10维DTLZ1-4测试问题上进行性能测试.实验结果表明,该文提出的偏好算法所求解集能够有效反映决策者的偏好信息,并且在高维目标优化问题上,所提算法在偏好区域求得解集的收敛性和均匀性更优.

基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化改进算法

为了提高多目标鲸鱼优化算法的全局优化性能,提出了一种基于角度惩罚距离的收敛因子非线性递减多目标鲸鱼优化算法IWOA-APD。首先,针对基本多目标鲸鱼算法收敛性和多样性难以平衡的问题,采用角度惩罚距离作为解优劣评价指标。其次,给出了一种基于迭代进度和优化因子的收敛因子指数形式非线性递减策略,该策略可以通过调整优化因子进一步提升优化性能。除此之外,给出了基于融合距离与拥挤度距离的精英集维护机制,从而改善精英集的多样性维护效果。最后,为了验证该算法的有效性,基于五种标准测试函数及一种城市轨道列车速度曲线优化实际算例,在MATLAB2016b GUI平台下采用所提出的IWOA-APD与IWOA、MOWOA、dMOPSO进行对比仿真。仿真结果表明,所提出的IWOA-APD寻到了更理想的优化结果。由此说明,相比于一些性能品质良好的优化算法,IWOA-APD还具有更快的计算速度和更高的全局收敛精度。

一种基于角度惩罚距离的高维多目标进化算法

为了使多目标进化算法在收敛性和分布性之间保持平衡,该文提出一种基于角度惩罚距离的高维多目标进化算法(Many-Objective Evolutionary Algorithm based on Angle Penalized Distance,Ma OEA-APD)。首先,综合考虑收敛性和分布性在进化不同阶段的重要性,构造一种角度惩罚距离,使两者随进化进程动态平衡;其次,开发基于删除劣质个体的环境选择策略,在提高种群分布性的同时提高收敛性;最后,根据环境选择的原理,设计与之相协调且互补的匹配选择过程,提高算法的整体进化效率。将所提算法与目前国内外性能优异的3种高维多目标进化算法进行对比,实验结果表明在WFG标准测试函数集上,该文算法相对于其他算法,综合性能有了较大的提升。

基于惩罚距离的混合模型分量数自动估计算法

期望最大化(EM)算法是对有限混合模型进行参数估计的通用算法,然而标准EM算法中所需的混合模型分量数往往是未知的.文中研究了一种采用惩罚性最小匹配距离估计分量数的方法,并结合贪婪EM算法框架,提出了一种可以在进行参数估计的同时快速准确地自动估计高斯混合模型分量数的算法,最后通过一元和二元高斯混合模型的仿真实验验证了该算法的有效性.

基于强化学习和角度惩罚距离的冰晶连续优化算法

针对全局连续优化问题,提出了一种基于强化学习的概率更新和角度惩罚距离偏差策略的冰晶连续优化算法。首先,通过模拟湖水结冰的自然现象,提出了冰晶连续优化算法,实现对连续极值问题的求解。在选择湖水中心时,加入的角度惩罚距离能更好地平衡收敛性和多样性,消除临时湖水中心带来的能量计算误差;然后,基于强化学习的概率更新可以对新生晶体的位置有更好的引导效果,加快湖水的结冰过程,更快地逼近湖水中心-全局最优点;最后,为了验证概率更新和角度惩罚距离的有效性,对加入概率更新策略前后的算法进行了比较。将本文算法与其他4种算法在12个基准函数上进行了比较,验证了算法的有效性。

IRVEA:一种改进角度惩罚距离的RVEA算法

多目标和高维多目标进化算法致力于平衡收敛性和多样性。经典的RVEA算法利用角度惩罚距离方法平衡收敛性与多样性,但它仍存在不足,从而对算法的性能产生不利影响。课题组提出一种改进的角度惩罚距离方法IAPD以更好地平衡算法的收敛性和多样性,并将IAPD策略嵌入RVEA中,以取代原始的APD方法,设计了一种改进角度惩罚距离的RVEA算法,即IRVEA。IRVEA与其他三种经典的高维多目标进化算法一同在3-、5-、8-和10-目标的WFG1~WFG6测试问题上进行IGD性能测试,结果表明:该算法在平衡收敛性和多样性上具有显著优势。由此表明IRVEA算法是一种有前途的高维多目标进化算法。

基于改进角度惩罚距离和自适应参考向量的高维多目标进化算法

为了解决现有多目标进化算法难以处理复杂帕累托前沿的问题,提出一种基于改进角度惩罚距离和自适应参考向量的高维多目标进化算法(improved angle penalized distance and adaptive reference vector based manyobjective evolutionary algorithm,PDAREA).算法中采用改进的角度惩罚距离策略进行个体选择,有效减少种群中个体收敛性与分布性的冲突.自适应参考向量策略能够根据目标函数的变化动态调整参考向量的分布,可有效改善个体在帕累托前沿上分布不均的问题.通过参考向量再生策略,提高算法处理带有不规则帕累托前沿问题的能力和效率.最后,将所提出算法与7个主流算法进行仿真实验对比,并应用于两个实际问题中.结果表明,所提出算法在求解带有复杂帕累托前沿的高维多目标优化问题上具有较强的竞争力,能有效平衡种群收敛性与分布性.

使用惩罚距离进行说话人改变检测(英文)

在说话人改变判决中,为了避免使用贝叶斯信息准则(Bayesian information criterion,BIC)需要不断调节惩罚因子的问题,作者从BIC中推导出惩罚距离公式并将其应用于说话人改变检测中.试验结果表明,提出的算法和BIC相比不需要调节参数,与BIC距离相比,F1提高了2%.

基于依存距离惩罚的泰汉神经机器翻译方法

在“一带一路”倡议的背景下,泰国与我国的沟通日益密切,泰汉机器翻译具有很高的应用需求。作为低资源语言机器翻译,泰汉之间缺乏大规模、高质量的平行语料,导致翻译效果不佳。融入依存句法知识可以使译文更符合句法约束,弥补没有大规模平行语料的缺陷,但泰语缺少成熟的依存解析工具和依存标注训练集。针对以上问题,基于无监督迁移获取泰语依存句法结构知识,并提出依存距离惩罚机制以减少依存噪声对翻译性能的干扰,并通过基于依存感知注意力机制的Transformer架构将所提方法融入翻译。实验结果表明,该方法能有效提升泰汉神经机器翻译的效果。

基于色彩制约耦合距离惩罚的图像篡改检测

当前较多图像篡改检测方法主要通过对图像特征间的距离进行测量来完成特征匹配,忽略了图像的色彩信息,导致检测结果中存在较多的误检测和漏检测现象。对此,本文将色彩信息引入到图像特征匹配过程中,设计了一种采用色彩制约模型的篡改检测算法。利用Laplacian算子与Harris算子提取图像特征,并利用像素点的红(R)、绿(G)、蓝(B)三原色信息,结合特征描述符建立色彩制约模型,对特征点间的色彩信息进行度量,再借助该度量值与特征点间的距离测量值共同完成图像特征匹配,充分剔除误匹配现象,有效提高匹配准确度。该算法还根据特征点间距离方差构造距离惩罚模型,对匹配后的图像特征进行聚类,准确识别篡改内容。通过实验结果发现,与其他篡改检测算法相比,本文算法不仅对伪造内容具备更高的检测准确度,而且对模糊及旋转等内容操作也具有更好的适应性。

角度惩罚精英策略的绿色供应链伙伴选择研究

针对绿色供应链伙伴选择中的典型高维目标优化问题,以运营成本、配送时间、产品质量和绿色度为优化目标,建立三阶段绿色供应链网络优化模型,提出一种角度惩罚距离(APD)精英策略的高维目标优化算法NS-RVEA进行求解.该算法对APD机制仅使用分解策略优化种群,忽略个体间Pareto关系,易导致种群退化等不足进行改进,引入非支配排序方法,先对子种群内个体进行Pareto非支配排序,再通过APD机制对剩余个体进行筛选,在维持种群多样性的同时提高选择压力和收敛速度.仿真结果表明,NS-RVEA具有收敛性强、全局性好和计算复杂度低等优点,所得解集在IGD*指标、Pareto最优解平均个数和算法运行时间等多个方面均优于MOGA、NSGA-Ⅱ、MOEA/D和RVEA.

基于改进Hybrid A^(*)算法的阿克曼移动机器人路径规划

针对移动机器人路径规划的效率和所规划路径的安全性问题,基于阿克曼六轮转向模型,提出了一种基于改进Hybrid A^(*)算法的路径规划方法。通过改进Hybrid A^(*)算法中的启发式函数,引入距离惩罚函数,减少了节点搜索数量;通过构建安全走廊,引导移动机器人尽可能远离障碍物;在代价函数中加入了节点向前、换向和向后扩展的惩罚项,确保所规划路径的可执行性与安全性。通过仿真表明,基于改进Hybrid A^(*)算法的路径规划方法适用于阿克曼六轮移动机器人,提高了路径规划的效率,规划的路径更具安全保障。

基于生成对抗网络的空中红外小目标仿真模型

空中红外小目标在目标检测、目标追踪等军事领域有较高的应用价值,但是其获取成本高昂。在WGAN模型中引入降噪算法改善生成图像质量,同时改进Wasserstein距离惩罚项,提出了一种基于生成对抗网络的空中红外小目标仿真模型(IST-WGAN),在自建空中红外小目标数据集上训练模型,模型生成的红外图像通过主观判别、FID分值和小目标检测算法验证。结果表明,所提模型能够生成有效的红外小目标样本。

一种三层判决的说话人索引算法

为提高说话人索引准确率,提出一种三层判决的说话人索引算法。第1层使用惩罚距离公式对说话人改变进行检测,第2层采用说话人模型自举法进行初次说话人辨认,第3层采用GMM说话人超级矢量进行判决,解决说话人模型自举法中产生的数据不匹配问题。实验结果表明,采用惩罚距离公式,与贝叶斯信息判决方法相比不需调整参数,与DISTBIC方法相比F1值提高2%,使用GMM说话人超级矢量,在说话人索引准确率和数量准确率方面分别提高8.95%、18.25%。

改进的快速C-V模型指静脉图像分割算法

为快速准确地进行指静脉图像的分割,在经典C-V模型的基础上,增加了距离惩罚项和边缘检测函数,并使图像演化不基于内部区面积。改进后的算法保留了C-V模型全局优化的特性,同时有效避免了重新初始化过程,并对图像边缘更加敏感,使改进后的算法适合对指静脉图像的分割。仿真实验结果表明,改进后的C-V模型能较好地处理指静脉图像边界模糊和灰度分割不均的问题,同时还可提升分割效率。

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。

电子商务环境下基于便利店的自提点布局

在分析电子商务环境下自提点的研究成果时发现目前对于自提点布局的研究较少,企业无法获得相应的实施指导。基于以上现状选取了基于便利店的自提点布局进行研究,分析其运行模式、影响因素等,构建距离惩罚成本函数,建立以成本最小为目标的布局模型,通过算例对模型求解,得出最低成本的自提点布局方案。