超越“反向适应”:对待算法的一种伦理态度

算法技术的普遍化正在改变和重构生活世界。算法功能的个性化和便捷性日益增强,可以为人类行动提供具体的建议和指导,但也带来了人类“反向适应”的问题。对算法伦理问题的进一步追问发现:算法技术不断遮蔽人类的原初意愿和选择,抑制人类文化创新活力,影响社会协调发展。随着这种现象的不断加剧,人类沉浸在碎片化的现实中,逐渐形成一种不自知的“反向适应”,从而遗忘了人本该怎样的事情。人类主动接受算法技术对其加以改造和支配,迎合算法文化的生成,最终却不可避免地陷入人与人之间无法联结的社群性困境。基于此,我们倡导这样一种对待算法的伦理态度,即为了保障人的本质存在,应审思和超越“反向适应”,聚焦和谐共鸣的美好生活。

基于Smith预估和遗传算法的低温场神经网络控制

低温度场广泛存在于生物医疗、低温加工等过程中,热传导和传质等导致系统存在滞后特性。针对低温度场调控系统中时滞特性导致的系统超调、振荡等问题,在Smith预估结合PID控制基础上,引入了BP神经网络,实现了控制器增益的自适应调整。针对传统神经网络学习算法增益调整速度慢、结果不稳定等问题,在充分考虑系统的动态模型下,提出了基于遗传算法的神经网络权值优化方法,实现了控制器增益的快速稳定调整。系统仿真结果表明,较PID-Smith控制、NNPID-Smith控制等,在低温度场时滞系统调控中超调较小,调整时间短,有效改善了低温度场调控过程中的系统稳定性。

基于负集加权迭代修正最小二乘拟合原理的快速自适应拉曼光谱基线校正算法

拉曼光谱是无损光谱分析技术,通过分析散射光的频率变化获取物质的分子结构信息。基线校正是提升光谱数据质量的关键步骤,可以去除背景信号和不相关噪声,凸显并纯化目标信号。传统的拉曼光谱技术对基线校正的时效性要求不高,但随着流式拉曼和内窥拉曼等需要实时处理光谱数据的应用场景增多,基线校正在速度和准确性要求也随之提高。传统的迭代多项式拟合和小波变换方法在时间、精度或自适应能力上存在不足。本研究开发了一种基于负集加权迭代修正最小二乘原理的快速自适应基线校正算法(MWIALS)。主要原理是提取负数集并赋予更高权重,在迭代过程中不断修正基线,并通过设置参数阈值以跳出循环,实现快速准确的基线校正。提出两种参数选择策略:固定参数(FMWIALS)适用于批量同类型光谱的快速处理,自适应(AMWIALS)适用于差异化光谱的自适应处理。该算法应用于颗粒物的流式拉曼光谱分析。结果表明,与其他主流算法相比,MWIALS在实际光谱处理上显著高效(平均处理时长47 ms·谱^(-1)),具有较高的准确性和自适应性。该算法能够满足流式拉曼和内窥拉曼等生物样本检测中实时光谱处理的需求,为拉曼光谱技术的进一步应用提供了强有力的支持。

SS-LMS自适应均衡算法的CTLE设计

随着先进工艺和技术的不断进步,要想保证数据在高速传输中的正确性,均衡器需要有更高的补偿和更低的功耗,才能实现高效通信。基于12 nm互补金属氧化物半导体工艺,设计了一种高增益、低功耗的自适应连续时间线性均衡器(continuous time linear equalizer,CTLE),该均衡器采用2级级联结构来补偿信道衰减,并提高接收信号的质量。此外,自适应模块通过采用符号-符号最小均方误差(sign-sign least mean square,SS-LMS)算法,使抽头系数加快了收敛速度。仿真结果表明,当传输速率为16 Gbit/s时,均衡器可以补偿-15.53 dB的半波特率通道衰减,均衡器系数在16×10^(4)个单元间隔数据内收敛,并且收敛之后接收误论文拓展码率低于10^(-12)。

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

基于Python和自适应遗传算法的螺旋齿轮体积优化

对螺旋摆动油缸中的螺旋齿轮进行体积优化,将传统设计中对模数齿数的取值范围与最小值通过程序语言表达,形成约束,再对随机生成的种群进行自适应选择、交叉、变异等操作,形成个体属性,引用精英策略选择优秀的个体产生新的种群,重复操作直到完成要求的迭代次数,最后打印出每一代的最优个体。传统算法与自适应遗传算法均可以对螺旋齿轮的体积进行优化,最终将螺旋齿轮的体积减少5.87%。自适应遗传算法可以对螺旋齿轮进行体积优化,并且在迭代速度上有明显优势,过程中产生的多个解可对实际设计进行指导,降低设计时的计算量与设计时间,减少生产成本。

基于自适应权重和随机负采样的图卷积网络推荐算法

推荐算法能够有效提升信息传递效率。目前,基于图卷积网络(GCN)的协同过滤推荐模型通常未考虑每个节点所扮演角色具有不同的重要性和权重;此外,在模型损失优化过程中容易出现样本不平衡,负样本远多于正样本,导致模型存在一定程度上的过拟合问题,限制了推荐性能。为了更好地提高推荐算法的推荐性能,提出一种基于自适应权重和随机负采样的图卷积网络推荐模型(ANS-GCN)。该模型可以在模块中计算节点权重,以捕获不同节点的重要性权重,是一种方便的即插即用方法;在损失优化模块融合了随机负采样策略作为辅助损失,缓解训练过程中样本类别不平衡问题,降低模型过拟合程度,提高泛化能力。在3个公开数据集上进行对比试验,结果表明,本文模型在Recall@20和NDCG@20两个评价指标上均优于基线模型。

维适应人工蜂群算法的研究

针对于基本人工蜂群算法对于改进维数以及改进维的选择没有充分利用历史搜索信息的问题提出一种维适应机制.由于不同优化问题适用的改进维数不同,而历史搜索信息中蕴含成功经验,构建改进维数成功历史档案并形成适应机制,使算法能够随着具体问题的优化过程适应到合适的改进维数,提高候选解搜索的成功率;在跟随蜂搜索阶段,保持一定比例随机选维的同时引入当前最优解信息对改进维的选择进行指导,在保证维选择适度随机性的同时更快适应到有潜能的维进行搜索,提升算法的收敛能力.采用CEC2014基准测试集与当前先进的5个改进的人工蜂群算法进行实验对比分析,结果及其统计检验表明,提出算法具有更好的求解精度、鲁棒性和收敛能力.

一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

暖通空调控制系统Smith预估器自适应算法设计

针对暖通空调(HVAC)系统控制过程中存在的大时滞问题,研究在系统模型参数改变情况下克服时滞影响的方法.对于一阶带纯时滞的空调系统模型,利用信号相关理论和李亚普诺夫稳定理论,推导出了Smith预估器模型参数的自适应算法.本算法使Smith预估器可以在系统模型改变的情况下在线整定,从而实时更新参数.将此自适应Smith预估器应用于空调系统控制,可以避免在模型参数失配情况下引起的系统不稳定甚至振荡,解决了空调控制中大时滞对系统动态性能的影响,提高了稳定性.

混沌自适应非洲秃鹫优化算法训练多层感知器

针对训练多层感知器(MLP)时,算法对初始值敏感、易陷入局部最优和收敛速度慢等问题,对新型启发式算法非洲秃鹫优化算法提出改进算法IAVOA。在初始化种群时引入Logistic混沌映射,增加种群的多样性;对最优秃鹫和次优秃鹫增加自适应权重系数,自动调整这两类秃鹫对普通秃鹫的引导作用;IAVOA用于MLP的训练,采用均方误差的平均值作为适应度函数寻找MLP的连接权重和偏差的最佳组合。选取4个不同复杂度的分类数据集,比较IAVOA算法与现有启发式算法对MLP训练后,MLP对数据分类的性能,仿真结果表明,IAVOA算法训练的MLP在数据分类准确率、全局搜索能力、收敛速度和稳定性方面均具有良好的性能。

自适应修正Smith算法在时滞系统中的应用

传统的Smith预估补偿控制要求较高的对象模型精度,为了提高系统的鲁棒性,提出了一种改进的Smith预估器。该算法根据历史预估结果动态地对预估输出进行修正,从而提高预估精度。将其应用于大时滞温控系统,取得了准确的预估输出和良好的控制品质。算法实现简单、应用灵活、适应性强,可以应用于其他有滞后影响的场合。

一种基于随机森林的OFDM系统自适应算法

针对动态变化的信道环境,自适应正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统可以对子载波间隔和循环前缀长度进行调整,以最大化系统的吞吐量。为了能够快速准确地找到OFDM系统在不同信道环境中的最优子载波间隔和循环前缀长度取值,本文提出了基于随机森林的OFDM系统自适应算法。随机森林算法基于集成的思想,能够有效处理高维度数据,并且具有高效率、高准确率和强泛化能力等优势,可以在复杂的数据场景下进行有效的分类。通过提取通信过程中信噪比、用户移动速度、最大多普勒频率和均方根时延扩展等信道特征与OFDM系统的子载波间隔和循环前缀长度组成训练样本,利用随机森林算法创建了OFDM系统参数多分类模型。所提模型可以根据输入的信道特征,实现OFDM系统子载波间隔和循环前缀长度的自适应分配。同时,针对训练样本主要集中在少数几个系统参数类别的情况,利用合成少数类过采样技术对较少样本数的类别进行扩充,满足了随机森林算法对训练样本类别平衡化的需求,进一步提高了算法的分类准确率。相比传统的自适应算法,所提算法具有更高的分类准确率和模型泛化能力。分析和仿真结果表明,与子载波间隔和循环前缀长度固定的OFDM系统相比,本文所提出的自适应算法能够准确选择出最优的系统参数,可以有效地减轻信道中符号间干扰和子载波间干扰的影响,从而在整个信噪比范围上提供最大的平均频谱效率。基于随机森林的OFDM系统自适应算法能够动态地分配子载波间隔和循环前缀长度,增强OFDM系统的通信质量和抗干扰能力,实现在不同信道环境下的可靠传输。

基于自适应宽度学习算法的城市污水处理污泥膨胀识别

针对污水处理过程的污泥膨胀难以精准识别的问题,提出了一种基于自适应宽度学习算法(adaptive broad learning algorithm,ABLA)的污泥膨胀识别方法。首先,结合城市污水处理过程的运行数据,采用主元分析法选取与污泥体积指数(sludge volume index,SVI)相关的特征变量;其次,建立了一种基于ABLA的污泥膨胀识别模型,利用自适应伪逆算法更新模型参数,提高了识别精度,并验证了模型的收敛性;最后,将所提模型应用于实际的污水处理过程中,利用污水处理厂的实际运行数据对其进行实验验证。实验结果表明,基于ABLA的污泥膨胀识别模型能够实现污泥膨胀的精准识别。

基于自适应网格多目标鲸鱼算法的火力分配问题研究

传统多目标优化算法在解决多于两个目标函数的火力分配问题时收敛效果不佳,多样性差,耗时过大。基于此,提出了一种自适应网格多目标鲸鱼优化算法(AG-MOWOA)来解决以震塌比例、弹药成本和自身剩余价值为目标函数的火力分配问题。该算法引入混沌映射和外部Pareto存档进化策略提高了种群的多样性,通过自适应网格选取最优个体的方法极大地减少了算法运行时间。仿真实验结果表明,该算法较其他算法收敛速度更快、收敛质量更高、解集分布更多样,能够有效解决火力分配问题。

自适应修正Smith算法控制大时滞过程的仿真研究

传统的Smith预估器的控制效果严重依赖于被控对象的精确数学模型,对于缺乏精确数学模型且参数时变的大时滞过程,常规的Smith预估控制器就很难获得令人满意的控制效果。本文提出了一种改进的自适应修正Smith算法,并将其应用于恒温箱的大时滞恒温过程控制的仿真中,使控制品质得到改善,提高了系统的鲁棒性。

Smith自适应模糊PID控制算法的研究及仿真

针对常规PID控制器在控制具有时变、大滞后等特性的实际被控对象效果不理想的问题,综合Smith预估控制和自适应模糊PID控制的优点,提出了一种新的控制器-Smith自适应模糊PID控制器.介绍了组成原理,分析了在控制时变、大滞后对象时的优点,给出了该控制器的具体设计方法.仿真结果表明,所设计的控制系统超调量小、调节时间短、响应速度快、动、稳态性能好,适用于参数变化的大时滞工业过程.

基于自适应Smith算法的烧制窑温控策略

陶瓷、页岩砖、硅砖烧制过程中的烧制窑温度控制是过程控制研究主要课题。自适应Smith算法在对强扰动系统、大滞后温度系统的控制上有一定优势。该文提出一种自适应Smith算法,构成一种新的自适应Smith烧制窑温度控制策略。软件仿真及实际应用表明:该自适应Smith算法是一种有效解决温控问题的算法,抗干扰能力强,应用前景广阔。

求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法

提出一种新的求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法,该算法使用一种新的自适应函数更新Levenberg-Marquardt参数,这种Levenberg-Marquardt参数的更新方式可提高过于成功的迭代中模型与目标函数的一致性,从而加快算法的收敛速度.数值实验结果表明,该算法具有良好的数值计算性能.

自适应搜索距离的改进A*算法研究

为了更好解决全局路径规划中扩展搜索范围大、路径容易发生碰撞的问题,提出一种自适应搜索距离的改进A*算法。首先,在路径扩展搜索时采用8个方向上自适应调整搜索距离机制代替原有固定搜索距离,以减少扩展搜索节点数量,减少搜索时间。然后,在障碍物周围容易发生碰撞的节点处,设置防碰距离函数,使规划路径与障碍物间具有适当安全距离。最后,在Robot Operating System(ROS)中,对自适应搜索距离的改进A*算法进行仿真并进行了实验室环境验证。结果表明:在静态结构化场景下实行全局路径规划,对照传统A*算法,所提算法可以显著提高搜索效率、减少碰撞概率。