泛娱乐主义的算法审视与纠治

算法作为智媒时代的一种数据传播方式,其技术变革深刻地改变了泛娱乐主义的传播方式与场景架构,产生了体验增效、受众扩大、技术限能以及文化交互的主要张力。由此而产生的负面影响,致使泛娱乐主义在算法推荐场域中呈现出载体上的“流量为王”,引发价值导向错位;效果上的“全景监狱”,固化群体认知结构;渠道上的“算法黑箱”,隐匿意识形态风险;形式上的“自产自销”,加剧受众沉迷致瘾的算法风险。为有效在算法推荐场域对泛娱乐主义进行算法纠治,应当做好以价值引领算法设计,端正价值导向;以主体驾驭算法分类,重塑信息行为;以技术优化算法赋能,矫正设计局限;以法治制约算法权力,优化网络生态。

基于Kriging遗传算法的高速公路应急车道管控优化

针对如何在不同交通流状况下有效提高高速公路运行效率和降低安全风险的问题,提出基于Kriging代理模型的遗传算法优化应急车道管控策略。结合应急车道开放策略的时空特性设计数学优化模型,通过引入Kriging代理模型,结合遗传算法搭建优化框架,采用仿真软件获取数据训练代理模型,以此求解带有开放时间和开放空间双重约束的总行程时间与总碰撞暴露时间最小化问题。对车道控制时间与空间变量的变化频次进行了约束,并对目标函数中效率与安全指标权重变化对优化结果的影响进行了分析。实验表明:该优化方法使路网总行程时间减小14.9%,碰撞暴露时间减小44.2%,控制效果提升。

基于LARS-泛Kriging模型的气动建模及翼型优化设计

以超临界翼型为例,基于泛Kriging模型与最小角回归算法建立了气动特性关于几何外形与攻角的代理模型。分析了代理模型的精度,并通过特征选择过程研究了不同参数对气动特性的影响。采用基于代理模型的全局优化方法进行了翼型阻力优化设计,并与原始翼型、直接优化结果、普通Kriging模型优化结果进行了对比。结果表明:LARS-泛Kriging模型可识别气动特性的重要影响参数,建模精度满足工程需求;采用LARS-泛Kriging模型优化相比直接CFD计算优化及初始普通Kriging模型优化所需CFD计算次数分别减少91.0%、65.6%,计算效率分别提高98.5%、94.0%,优化结果相似。

基于OpenCL的泛Kriging算法并行化研究

针对泛Kriging插值算法在大量数据处理时的高耗时问题,该文从异构平台主机端与OpenCL设备端的交互方式入手,采用OpenCL异构平台开发语言进行泛Kriging算法并行化实现研究,解决了其在进行大数据量处理时数据存储、数据交互、多设备调度等一系列问题。在K20Xm平台上使用不同的数据集和参数对并行泛Kriging算法进行测试,实验结果表明:与Intel Xeon E5-2670CPU平台相比,并行程序插值部分加速比达到40倍以上,整体并行程序加速比达到了18倍。

拓扑与MOGA算法下的梁柱材刀架轻量化设计

为了提高梁柱材钻铣刨加工中心的综合性能,本文以其中具有X,Y方向插补运动的刀架为研究对象,进行轻量化设计。对刀架的质量进行两次优化:第一次使用拓扑算法优化,以最大刚度为目标函数,应力、变形为约束,质量为响应约束,建立拓扑优化模型进行优化;第二次使用MOGA算法在拓扑优化的基础上进行优化,建立拓扑优化刀架的重构模型,验证力学性能与低阶固有频率,选择优化设计变量,设计CCD(Central composite design)试验获得初始样本点,选取5个验证点与Kriging模型的预测值进行拟合,根据Kriging模型建立局部灵敏度较高设计变量的响应面模型,获得设计变量对应力、变形、质量直观的影响程度,利用MOGA算法建立优化模型,寻找最优解。试验结果表明:在满足强度的条件下,经过两次质量优化设计,刀架质量减小了14.48%。

基于Kriging模型与PSO算法的桁架机器人结构优化设计

桁架机器人搬运能力强、操作方便、定位精度高,在制造业中具有极其重要的作用,但桁架机器人普遍存在运行稳定性差和材料冗余等问题,需要进行仿真结构优化,针对桁架机器人的结构优化设计研究中存在的有限元仿真调用次数多、计算时间长、优化效率低等问题,在分析了桁架机器人夹爪部件的尺寸、负载与应力、形变之间的关系后,提出了一种基于Kriging模型与粒子群算法的结构优化设计方法,可以有效减少有限元仿真的调用次数,节约时间,提高优化设计效率。

基于Kriging算法与PSO算法的桁架机器人横梁模块智能优化设计方法

桁架机器人搬运能力强、操作方便、定位精度高,在制造业中具有极其重要的作用。针对桁架机器人自重大而导致的运行稳定性较差和材料冗余等问题进行结构优化设计研究。目前桁架机器人的结构优化设计研究有限元仿真调用次数多,时间损耗大,优化效率低。针对此问题,在分析了桁架机器人横梁部件尺寸、负载与应力、形变之间的关系后,提出了一种基于Kriging模型与PSO粒子群算法的结构优化设计方法,可以有效减少有限元仿真的调用次数,节约时间,提高优化设计效率。

基于Kriging代理模型的无刷双馈发电机转子优化设计

无刷双馈发电机由于其自身没有电刷、滑环等结构特点,因此被认为是最有希望成为风力发电系统的主流发电机之一。无刷双馈发电机是依靠转子的磁场调制机理实现机电能量转换,其转子的耦合能力是影响电机性能的重要因素。因此本文提出了一种串联笼条辅助磁障转子的新型转子结构,分析了该种转子不同结构参数对电机性能的影响,并提出一种基于Kriging代理模型的多目标差分进化算法的无刷双馈发电机转子优化设计方法。首先建立该种新型转子的参数化模型,通过Kriging代理模型建立优化变量与优化目标之间的响应关系,再利用多目标差分进化算法找到最优的变量组合,最后通过有限元仿真对电机的性能进行分析。

一种LDPC码的优化分层阈值偏移最小和译码算法

针对低密度奇偶校验(Low-Density Parity-Check,LDPC)码的译码算法在高信噪比区域性能较差和传统的泛洪调度译码方式收敛速度较慢等问题,提出了一种优化的分层阈值偏移最小和(Improved Layered Threshold Offset Min-Sum,ILTOMS)LDPC译码算法。该算法通过在最小值近零处添加一个阈值,在最小值小于该阈值的情况下选择局部最优的算法规避偏移最小和(Offset Min-Sum,OMS)译码算法的归零损失,在最小值较大时设置一个阈值来改善高信噪比时的译码性能,并且采用分层调度的方式进一步提高译码性能。仿真结果表明,所提的ILTOMS译码算法在复杂度无明显变化的情况下有一定性能增益,相比其他两种译码算法译码性能分别提升了0.4 dB和0.45 dB。

面向大区域碳卫星数据的分布式Kriging插值算法优化

针对基于原生Kriging算法在大区域尺度上对碳卫星数据进行插值时存在的计算耗时长、并行加速难等问题,对Kriging插值算法进行调整,优化其中的关键计算环节,并根据数据特征与时序依赖关系对插值过程进行拆分重组,细化插值粒度,将其构建为可在分布式环境下并行执行的DAG结构工作流,最后基于一套双层架构的DAG任务调度引擎实现整个插值工作流在分布式环境下的并行加速。实验结果表明,在不同区域尺度上,以上方法框架均具有较高的插值效率,与Spark相比,在大区域尺度上具有明显的速度优势。

基于Kriging组合模型和NSGA-Ⅲ算法的转子裂纹参数识别

针对转子裂纹参数定量识别精度不足的问题,提出一种基于Kriging组合模型和非支配解排序遗传算法Ⅲ型(NSGA-Ⅲ)的转子裂纹参数识别方法。首先,基于动力学模型响应建立不同相关函数的Kriging代理模型作为候选模型库;其次,通过逐步回归模型筛选策略剔除性能不佳的模型并依据启发式权重加权获得最佳Kriging组合模型;再次,应用所提Kriging组合模型建立裂纹参数与裂纹转子系统响应的关系;最后,通过Kriging组合模型预测的响应幅值与实际响应幅值的差异构成多目标函数,利用NSGA-Ⅲ得到识别结果。结果表明:采用该方法识别裂纹参数的最大相对误差为2.5%;相比于基于单个Kriging模型和指数函数-高斯函数组合模型的识别方法,所提方法具有较高的适用性和精确性。

人群搜索算法拟合Kriging参数的空间数据插值

在Kriging理论模型参数拟合过程中,为减小变异函数权重分配带来的相关误差,全面考虑空间相关性,得到更准确的变异函数模型.采用人群搜索算法(seeker optimization algorithm, SOA),以变异函数拟合值与观测值的加权残差平方和最小为目标建立适应度函数,考虑样本数据的各向异性,迭代搜索模型最优参数进行Kriging插值.实验结果表明,相比于加权最小二乘法拟合,采用SOA拟合Kriging模型参数时,变异函数的加权残差和降低5%~40%,在球状模型、指数模型和高斯模型下Kriging插值的绝对误差分别降低31.02%、24.02%和25.13%.

基于Kriging模型的船舶主机隔离系统抗冲击优化

为了提高系统的抗冲击性能和优化效率,本文以限位隔离系统的刚度阻尼等7个参数为设计变量,以系统冲击响应中的相对位移响应和绝对加速度响最大峰值为响应值建立Kriging代理模型。通过NSGA-II多目标优化算法对构建的代理模型进行多目标优化,优化目标为相对位移响应和绝对加速度响最大峰值两者和的最小值。与初始方案相比,优化后系统相对位移响应降低了27.139%,绝对加速度响应降低了37.846%。结果表明:建立的代理模型对隔离系统的冲击响应有较精确的预报作用,优化后船舶主机隔离系统的抗冲击得到明显提高。

基于自适应Kriging模型的不确定可靠性功能优化算法研究

产品研发中功能失效是一个复杂的系统性工程,失效过程包含大量不确定性因素。为此,构建了自适应Kriging的不确定可靠性功能优化算法,进行产品总体功能失效分析、认知集合可信任度、样本点的生成、自适应Kriging计算及优选功能组合,获取在指定的概率约束下的最优解。以大数定律及极限定理为基础,保证了样本点在重要区域及Kriging模型的收敛条件。以工程机械储能系统为例,说明算法的迭代性、收敛性、准确性及稳定性。结果表明,该算法能够得出准确的敏感度,节省计算时间,提高计算效率。

基于特征对比的领域泛化算法自适应选择方法

在自动驾驶、医疗等领域,模型的泛化性是衡量其安全性的重要指标。领域泛化算法选择方法可以指导使用者快速准确地选出适合的模型训练算法。针对目前尚缺乏有效的算法选择方法的问题,提出一种基于对比学习的领域泛化算法的特征对比(feature contrast,FeCo)选择方法。依据正例和负例选择策略选择特征,采用点积的方式计算特征相似度,最后通过噪声对比估计(info noise contrastive estimation,InfoNC)计算得分。使用该得分评估了同一类特征的聚合程度和不同类特征的分离程度,在3个数据集共200个领域泛化模型上进行验证。实验结果表明,在所有的方法中FeCo是唯一结果稳定的方法,FeCo的结果和模型真实泛化误差的相关性最高可达0.89,且运行时间缩短超过60倍。

基于多目标遗传算法的屏蔽泵叶轮水力优化

为改善屏蔽泵叶轮综合水力性能,搭建了ANSYS-Workbench与iSIGHT联合优化平台,采用优化拉丁立方设计对叶片骨线、前后盖板及叶缘厚度等共28个备选参数进行敏感性分析.基于各参数对目标函数影响程度,确定叶片前盖板及骨线处等9个参数作为最终优化输入参数,选取Kriging代理模型与非支配排序遗传算法NSGA-Ⅱ对效率及扬程迭代寻优,最终依据不同权重分配给出2种叶片优化方案.通过数值模拟验证,优化方案1与方案2在额定工况下效率分别提升1.98%和2.83%,扬程分别提升15.73 m和13.39 m,运行区间水力外特性均有明显提升.研究结果表明:前盖板参数z 3对效率及扬程影响最大,分别达到-18.99%与-30.10%;使用Kriging代理模型的预测精度最高,总误差E 0值为3.393%;在0.83 Q BEP~1.12 Q BEP运行区间,方案1与方案2的扬程明显高于原方案,方案1在最优流量工况的优化效果最为显著,达13.89%.

基于Kriging模型的某高射速自动机内抽壳滑板疲劳优化

为提高抽壳滑板的疲劳寿命,进而满足射速在1500发/min左右的某10连发高射速自动机寿命达1000发的最低寿命要求,提出一种基于Kriging回归的代理模型用于抽壳滑板的疲劳优化。在与试验结果相符的有限元模型基础上,通过拉丁超立方采样设置初始样本点,构建与样本点相对应的结构模型,并计算每一组样本的理论寿命。根据初始样本点构建Kriging代理模型的同时,采用以改善期望准则为加点准则、遗传算法为子优化求解算法的代理优化算法来对目标函数进行寻优。优化后抽壳滑板的疲劳寿命提高到1193发,且经试验验证,优化结果满足自动机战术技术指标。研究结果表明,通过基于Kriging和遗传算法的代理优化算法能够快速有效地寻优得到全局最优解,适用于高射速自动机内破断零部件的疲劳优化,对工程应用具有一定的借鉴意义。

基于Kriging模型和遗传粒子群算法的止回阀减阻优化设计

针对8′-150LB轴流式止回阀研究其流阻特性,并对其阀芯结构和文丘里阀口结构进行优化设计。为获得轴流式止回阀全开状态下的最小流阻,采用Nystrom法对阀门设计参数进行了确定,利用正交试验方法列出3因素,5水平的25组试验。在此基础上,建立设计参数与性能的Kriging响应面模型。最后利用遗传粒子群算法对Kriging模型进行优化,选取阀门减阻优化设计最优结构参数。

基于改进甲壳虫全域搜索算法的机织物疵点检测

为解决深度学习模型在面对跨场景的织物疵点检测时存在泛化性能差的问题,在甲壳虫全域搜索算法(BAS)的基础上添加了本地搜索能力构建了一种基于甲壳虫算法的混合算法,该算法可具体分为训练阶段和检测阶段。在训练阶段,通过对无疵点织物进行训练构建二维Gabor滤波器,然后使用改进BAS的混合模型对Gabor滤波器的参数进行了优化,使改进后的算法具备全局搜索和局部搜索的能力;在检测阶段,根据在训练阶段获得最佳参数构造Gabor滤波器,对待检测的织物图像进行卷积运算,并对卷积后图像进行二值化处理,最终识别待测试织物是否含有疵点。实验结果表明:该方法的特征提取具有良好的类别区分性,更加集中在疵点范围内,检测准确率可达99.26%,具有良好的稳定性和泛化性能。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。