一种Weyl群轨道生成学习算法研究

利用Weyl群的性质,给出了Weyl群轨道生成原理及相关学习算法.首先描述了学习算法,重点阐述了轨道生成广度优先和深度优先学习算法;然后对测试数据进行分析比较.实验结果表明深度优先算法可以节约存储空间,并在一定程度上提高了时间效率.

免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

融入重心反向学习和单纯形搜索的粒子群优化算法

针对粒子群优化PSO算法后期种群多样性差和易陷入局部最优解等问题,提出具备重心反向学习和单纯形搜索行为的粒子群优化COLS-PSO算法。初始时,基于混沌策略构造出搜索空间。进化过程中,基于Spearman系数选择需要进行重心反向学习的粒子,以帮助算法逃离局部极值区域。进一步引入局部搜索能力较强的单纯形搜索方法增强对最优粒子邻近区域的开发,以提高搜索精度。实验先在若干标准测试函数上进行,之后将COLS-PSO算法应用于软件测试数据生成问题。实验结果表明,COLS-PSO算法在求解精度、收敛速度和有效性方面表现较好,能够有效平衡种群多样性和算法收敛性的矛盾。

基于Multi-agent和粒子群引导最小生成树的配电网重构算法

在最小生成树的基础上提出了粒子群引导的最小生成树算法,并结合粒子间互学习,优秀粒子自学习,优胜劣汰机制和Multi-agent系统的特点,构成了一种新的配电网重构算法。该方法加强了信息在环境中的传递,有效地解决了一般最小生成树的盲目性,边值的难以确定性和改进粒子群优化算法仿生学意义的不明确性等缺点。在Multi-agent系统中,粒子通过竞争与合作,提高了粒子间的相互交流,加快了粒子向全局最优点靠拢。对粒子进行互学习和自学习操作,使算法的收敛速度得到进一步的提高。通过对PG&E69系统进行仿真,结果表明提出的算法具有计算速度快,收敛性好,求解可靠等优点。

基于粒子群优化算法的测试用例生成方法

针对标准粒子群算法(Particle Swarm Optimization,PSO)中存在的早熟收敛、易于陷入局部极值的问题,提出了一种基于反向学习与再次搜索的粒子群优化算法(Reverse-Learning and Search-Again PSO,RSAPSO)用于测试用例生成。首先,通过非线性递减的惯性权重函数对学习因子进行改进,实现对种群的初步搜索,并采用梯度下降法完成对最优解与次优解的再次搜索;其次,以极值点为中心设定禁忌区域,对禁忌区域外的粒子进行反向学习,改善种群多样性;最后,采用分支距离法构造适应度函数,评判测试用例的优劣程度。实验结果表明,提出的改进方法在覆盖率、迭代次数和缺陷检测率指标上均有优势。

无人机集群协同搜索研究综述

无人机集群协同区域搜索能够有效地获取任务区域地面信息,降低环境不确定度。基于区域划分、机群均衡分配以及启发式算法的传统集群协同区域搜索方法依赖于事前设计规则且计算量大,属于不可生成规则算法。考虑任务环境不确定性,算法须满足快速性、智能性和鲁棒性,基于涌现理论的无人机集群协同搜索方法因信息融合能力强、具有高度的智能性而被采用。演化学习算法和强化学习算法是涌现理论中主要组成部分,这两类算法可根据不同的环境和任务生成新的集群行为规则。将系统分析和总结当前无人机集群协同搜索方法研究现状和进展,并据此指出现有研究中的不足以及未来的发展方向。

基于改进粒子群算法的Web服务组合

Web服务组合优化问题是典型的NP难题.将PSO算法用于连续性优化问题的相关研究较多,但将其应用于Web服务组合优化问题并不多见.文中提出一种改进的基于子粒子圆周轨道和零惯性权重的MDPSO算法,并将其应用到Web服务组合优化问题中,该算法使用基于三角函数的非线性动态学习因子及种群早熟收敛预测与处理方法控制粒子群的行为,在粒子的局部开拓能力和全局收敛能力之间达到良好的动态平衡.最后文中给出了MDPSO算法的实验及评价方法.这些概念和方法为PSO算法在Web服务组合问题上的应用研究提供了一种全新的思路.通过与传统的PSO算法做比较,验证了该算法在Web服务组合问题上效率更优.通过对实验数据的分析和解释得到了若干有益的结论,为进一步的研究工作奠定了基础.

一种改进PSO的软件测试数据自动生成算法

针对粒子群算法存在早熟性和局部搜索性能差的缺陷,在定量研究粒子群聚集度和收敛程度大小基础上,提出一种基于离散度大小的动态调整粒子群参数的优化算法(DPPSO).在讨论了搜索的测试数据自动生成的模型基础上,以分支路径覆盖作为测试准则,将优化算法应用于生成测试数据,并在考虑分支谓词的结构特征前提下,引入一种新的适应度构造函数.通过对公开的测试程序集进行对比试验,从路径的平均收敛代数和搜索时间两个方面证实改进后的算法性能优于基本的粒子群算法(BPSO)和参数线性变化的粒子群算法(LPPSO).

一种超参数自适应航天器交会变轨策略优化方法

利用强化学习技术,本文提出了一种超参数自适应的燃料最优地球同步轨道(GEO)航天器交会变轨策略优化方法。首先,建立了GEO航天器交会Lambert变轨模型。以变轨时刻为决策变量、燃料消耗为适应度函数,使用改进式综合学习粒子群算法(ICLPSO)作为变轨策略优化的基础方法。其次,考虑到求解的最优性和快速性,重新设计了以粒子群算法(PSO)优化结果为参考基线的奖励函数。使用一族典型GEO航天器交会工况训练深度确定性策略梯度神经网络(DDPG)。将DDPG与ICLPSO组合为强化学习粒子群算法(RLPSO),从而实现算法超参数根据实时迭代收敛情况的自适应动态调整。最后,仿真结果表明与PSO、综合学习粒子群算法(CLPSO)相比,RLPSO在较少迭代后即可给出适应度较高的规划结果,减轻了迭代过程中的计算资源消耗。

基于条件生成对抗网络的成像测井图像裂缝计算机识别

识别裂缝是油气储量评价和产能预测的关键。目前识别裂缝主要采用基于人机交互的方法,该方法耗功耗时且易受主观因素影响,因而对裂缝的识别不够精确。为此,提出利用条件生成对抗网络(CGAN)识别图像中的裂缝。CGAN通过训练给定的图像和对应标签图像,提取训练图像和标签中的特征,以此特征识别图像中的信息。利用CGAN识别模拟图像中的正弦形态裂缝,识别裂缝准确率达93.4%。CGAN对地层微电阻率扫描成像(FMI)图像中的水平缝和低角度缝识别准确率为90%。研究结果表明,和蚁群算法相比,CGAN是一种效果好、速度快及抗干扰能力强的计算机自动识别裂缝方法。

基于CCLPSO算法的Y型交路列车开行方案优化研究

列车开行方案通常包括列车停站方案、交路计划以及编组方案,是地铁组织运输的基础。结合交通运输组织的实践经验以及输送能力与客流需求达到最佳匹配的原则,以乘客出行成本及企业运营成本最低为目标,综合考虑线路最大通过能力、最小发车频率和最大可用车底数量等限制条件,构建城市地铁Y型交路模式下的列车开行方案优化模型,来确定Y型交路模式列车开行方案的主线及支线的列车运行区段及各线的列车开行频率。采用分类学习混合粒子群算法(CCLPSO)对其进行求解,通过实际案例验证了模型的合理性和算法的有效性,并对折返站位置和列车开行频率进行灵敏度分析。研究结果表明:Y型交路的折返站的选取对乘客出行成本影响显著,相比于其他2种算法,采用该算法可使综合成本分别减少16.9%和31.6%。

基于GAN-PSO-ELM的网络入侵检测方法

针对传统机器学习方法在处理非平衡的海量入侵数据时少数类检测率低的问题,提出一种融合生成式对抗网络(GAN)、粒子群算法(PSO)和极限学习机(ELM)的入侵检测(GAN-PSO-ELM)方法。对原始网络数据进行预处理,利用GAN并采用整体类扩充的方式对数据集进行少数类样本扩充。在扩充后的平衡数据集上,利用PSO算法优化ELM的输入权重与隐含层偏置,并建立入侵检测模型。在NSL-KDD数据集上进行仿真实验。实验结果表明,与SVM、ELM、PSO-ELM方法相比,GAN-PSO-ELM不仅具有较高的检测效率,而且在整体检测准确率上平均提高了3.74%,在少数类R2L和U2R上分别平均提高了28.13%和16.84%。

人工智能大模型在认可评定审核中的应用探讨

随着信息技术的飞速发展,算力基础设施能力不断提升,深度学习算法快速优化,生成式人工智能(AI)大模型技术取得巨大突破,ChatGPT、“文心一言”等AI大模型相继问世,其卓越表现和广泛应用深入赋能各行业,成为新质生产力的典型代表。2024年《政府工作报告》指出“深化大数据、人工智能等研发应用,开展‘人工智能+’行动,打造具有国际竞争力的数字产业集群”,为AI大模型应用指明了方向。