基于演化策略的矩阵流形黑盒优化方法

该文使用演化算法求解一类定义在黎曼流形之上的矩阵优化问题.传统演化算法大多针对欧式空间中的优化问题而设计,因此难以直接用于矩阵流形优化.该文根据矩阵流形的几何结构,将原始的流形约束问题转换为一系列切空间中的无约束问题,并通过将经典的协方差矩阵适应技术从欧式空间扩展到黎曼流形,提出了用于求解矩阵流形黑盒优化问题的流形搜索方向适应演化策略.所提出的算法在矩阵流形的每个切空间中使用多元高斯分布引导搜索,并不断更新概率分布从而提高产生优质解的似然性.该文设计了在切空间中仅使用单位阵和少量搜索方向构造大规模高斯分布的概率建模方法,并提出了在矩阵流形的不同切空间中更新和移动概率模型的方法.所提出的算法不依赖于全局坐标系、不需要额外的编码方案、独立于特定坐标基的选择,所有演化算子均可表示为矩阵线性运算,因而能够达到较高的运行效率.该文在三类经典的矩阵流形优化问题上进行了仿真实验.数值结果表明,在黑盒优化场景中,所提出算法的性能显著优于或相当于主流的流形优化器.

黑盒优化算法在化学合成条件调优中的应用

随着自动化实验平台技术的发展,自优化技术与条件调优已成为化学合成的一大趋势.自优化技术通过评估、调整各种反应条件参数来优化反应目标函数,如产率.在自优化技术与算法中,黑盒优化算法有着重要的地位,被广泛地应用于合成化学中的反应条件调优.本文概述了黑盒优化算法在反应条件调优中的应用方式,系统地介绍了化学反应的多种状态表征方式、各类别黑盒优化算法的基本原理以及现有的公开数据集与服务.

基于递归随机抽样的Hadoop配置优化

Hadoop平台目前有近200个配置参数,对这些参数进行合理配置能提高系统性能。针对Hadoop参数配置的优化问题,提出一种基于递归随机抽样的黑盒优化策略。利用随机抽样的初始高效性,通过不断调整样本空间进行递归随机抽样,从而快速搜索到近似的全局最优配置。实验结果表明,与传统配置方法相比,应用黑盒优化策略的配置方法可提高14%-25%的Hadoop作业处理速度,且具有较好的稳定性和可靠性。

黑盒威胁模型下深度学习对抗样本的生成

深度学习系统在许多任务中表现出色。但研究表明,如果在原有输入上叠加一个很小的恶意噪声,其效果就会受到严重影响。这种恶意样本被称为对抗样本。针对此前对抗样本生成方法在威胁模型下考虑的不足,本文提出了一种黑盒模型下的对抗样本生成方法。该方案通过黑盒优化技术,对输入样本做多维高斯建模并逐步迭代优化进行对抗样本的求解。在标准测试数据集上的测试表明,本文方法可以不需要了解模型具体参数和结构就能以100%的成功率生成对抗样本。

新的结构化测试数据自动生成方法

针对模拟退火算法,遗传算法应用于测试数据的自动生成的局限性,提出了一种基于GEMGA(基因表达散乱遗传算法)的结构化测试数据的自动生成的方法。讨论了路径的选择,提出了将控制流图与数据流图结合起来生成测试路径,通过TriType的分析结果说明了该方法的可行性。根据得到的测试路径将GEMGA应用到测试数据的自动生成,TriType的实验结果表明,GEMGA能生成更高质量的数据,并适用于较大规模的程序。