权重自适应clonal选择算法及其应用研究

在求解两个目标以上的多目标优化问题时,基于Pareto支配的多目标进化算法多数需要较长的求解时间。基于固定权重的聚合函数方法求解速度快,但要确定一个适合待求解问题的合理权重是十分困难的,为了解决这一问题,将clonal选择算法与权重自适应方法相结合,提出了一种适用于多目标优化问题的权重自适应clonal选择算法。并将权重自适应clon-al选择算法应用于以等功率裕量、轧制能耗及带钢打滑概率作为优化的目标函数的三目标优化模型进行冷连轧轧制规程多目标优化。结果表明,与实际应用的轧制规程相比优化后的轧制规程使功率裕量更加均衡,打滑发生的机率变小,同时也降低了总的轧制能耗。与权重自适应遗传算法相比,该算法能更好的达到预期的优化效果。

算法偏见背后的数据选择、信息过滤与协同治理

算法驱动的人类智能系统与人工智能系统交互中,数据选择与信息过滤是不容忽视的关键环节,一方面与算法运行的不透明性有关,另一方面也受到人机协同的信息过滤影响。算法偏见已经造成了现实生活中信息圈层之间的分化,并可能延续甚至加剧社会发展多个方面的失衡。因此,有必要审慎地看待算法偏见的影响要素,透视技术本身及其应用过程中的潜在风险和问题,从而为应对人工智能嵌入社会系统过程中所带来的阶段性偏见提供思路。

面向特征选择任务的改进蜣螂优化算法

蜣螂优化算法是一种基于蜣螂不同行为模式的新型启发式算法,与其他算法相比的收敛速度更快,逃脱局部最优的能力更强。针对蜣螂优化算法不能进行特征选择的问题,在蜣螂优化算法的基础上提出了蜣螂灰狼融合算法。该算法基于3种改进策略:精英初始化种群策略、灰狼蜣螂融合策略、运行加速策略,进一步提高蜣螂优化算法在特征选择任务上的性能,并给出了算法整体的伪代码。实验结果表明,比较其他改进型启发式算法,蜣螂灰狼融合优化算法在12个分类数据集中能够得到更高精度、更低维度的特征子集,同时兼备收敛速度、运行速度更快的优点。

无蜂窝大规模MIMO系统接入点动态选择算法

在无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统中,所有接入点(Access Point,AP)为用户提供服务的方式会造成较大的功率消耗和增加前传链路压力。以“用户为中心”的AP选择方案为每个用户选择最佳的AP集合,使系统频谱效率和能量效率得以提升。为了给每个用户选择最佳的AP集合,提出了一种基于反向传播(Back Propagation,BP)神经网络的接入点动态选择算法。将AP与用户之间的大尺度衰落向量作为输入,AP与用户之间的连接关系作为BP神经网络输出的预测向量,同时,针对BP神经网络初始化权值,提出了一种改进的自适应遗传算法以提高算法的收敛速度和收敛性能。仿真结果表明,改进后的BP神经网络预测结果更接近于实际值,并且比全连接和启发式的AP选择方案具有更高的系统和速率。

基于改进Gale-Shapley算法的云制造供需双向选择研究

针对传统云制造交易机制下以需求方偏好为中心,而缺乏对资源提供方需求偏好考虑的问题,提出了一种基于改进Gale-Shapley算法的云制造双向选择机制。该机制通过将供需双方给出的不同评价数据类型转化为联系数,并利用数据集成算子集成得到双方间的综合满意度排序,然后由需求方根据排序结果提出交易申请并与提供方达成暂时交易状态,根据双方的需求偏好,经过多轮匹配,最终找到满意的交易对象。通过实验验证了该机制的有效性,并对比了两种交易机制下双方对交易对象的满意度评价,结果表明改进后的交易机制在满足需求方需求偏好的前提下,能够很大程度提高提供方对交易对象的满意度。

面向不平衡类的联邦学习客户端智能选择算法

在联邦学习应用场景下,若客户端设备之间的数据呈现非独立同分布特征,甚至出现类不平衡的情况时,客户端本地模型的优化目标将偏离全局优化目标,从而给全局模型的性能带来巨大挑战。为解决这种数据异质性带来的挑战,通过积极选择合适的客户端子集以平衡数据分布将有助于提高模型的性能。因此,设计了一种面向不平衡类的联邦学习客户端智能选择算法—FedSIMT。该算法不借助任何辅助数据集,在保证客户端本地数据对服务器端不可见的隐私前提下,使用Tanimoto系数度量本地数据分布与目标分布之间的差异,采用强化学习领域中的组合多臂老虎机模型平衡客户端设备选择的开发和探索,在不同数据异质性类型下提高了全局模型的准确率和收敛速度。实验结果表明,该算法具有有效性。

二进制鼠群优化算法的特征选择及数据分类

针对特征选择技术中提高分类准确率和降低特征选取个数随着数据维度增加而难度加大的问题,对新型仿生优化算法的鼠群优化算法进行改进,在算法中引入转换函数,使用K近邻法作为分类器,提出二进制鼠群优化算法,用于特征选择,进行数据分类,对特征进行有效的降维并减少数据分类的错误率。在UCI的10个数据集上进行测试,并与遗传算法、粒子群算法、樽海鞘群算法和正余弦算法进行比较,实验结果表明,所提算法能够提高数据分类准确率并有效降低特征维度,算法具有较好的收敛性和鲁棒性。

应对过滤气泡:算法策展对用户信息消费行为选择性和态度极端化的影响

[目的/意义]“过滤气泡”是个性化推荐算法仅向用户推荐他们所认同、感兴趣的信息而造成的不利结果,体现为信息消费行为的选择性及个体态度的极端化。本研究旨在探索不同信息排序方式对于过滤气泡的干预效果。[方法/过程]共招募38位参与者访问模拟新闻推荐系统,并将其划分到不同信息排序方式的组别中,通过服务器日志观测参与者的新闻点击与阅读行为,使用量表测量其态度极端性变化情况。[结果/结论]信息排序方式不会影响用户的新闻标题点击行为的选择性,但会影响其新闻文章阅读行为的选择性及态度极端性变化:相较于基于偏好的排序方式,基于时间与基于质量的排序方式均会显著降低用户阅读行为的选择性,同时基于质量的排序方式还显著降低了用户的态度极端性。本研究不仅为过滤气泡研究提供了新的研究视角与有效的方法论,还为个性化推荐算法设计提供了实践启示。

向量角选择和指标删除的高维多目标进化算法

针对进化算法求解高维多目标优化问题平衡收敛性和多样性所面临的挑战,提出了向量角选择和指标删除的高维多目标进化算法(MOEA/AS-ID)。该算法在环境选择过程中设计了一种包含两种策略的协作机制逐一删除收敛性和多样性差的解以保留精英个体参与下一代的进化。前者基于向量角的选择策略用于选择一对在目标空间具有相似搜索方向的解,后者基于指标的删除策略采用同时兼顾个体收敛性和分布性的I_(SDE)^(+)指标比较被选择的这一对解,然后删除具有较小指标值的解,进而促使种群朝各个方向收敛到帕累托最优前沿,最终平衡解集的收敛性和多样性。在包含各种特征的3组标准测试系列问题DTLZ、SDTLZ、MaF上,MOEA/AS-ID与近年提出的6个涵盖了当前各种类型的高维多目标进化算法执行了广泛的对比仿真实验和数值结果分析。仿真结果和数值分析表明所提算法MOEA/AS-ID求解各种特征的高维多目标优化问题平衡收敛性和多样性的能力具有较强的竞争力。

基于互信息与萤火虫算法的网络入侵特征选择

为减少网络入侵检测数据中的冗余特征,提出一种结合互信息和萤火虫算法的特征选择方法。针对互信息不能精确计算特征间冗余度,提出类内特征冗余互信息特征选择方法。针对萤火虫算法步长因子固定易使算法陷入局部最优等问题,提出自适应步长萤火虫算法特征选择。以上方法分别选取特征子集后利用投票策略选取最优子集,对该子集基于C4.5和贝叶斯网络分类器分类。实验结果表明,使用10个特征检测能有效提高入侵检测率、误报率和F-measure,同时还缩短训练和检测时间。此外,与现有的几种方法相比,该方法在准确率、检测率和F-measure都获得不错效果。

改进麻雀搜索算法的入侵检测特征选择

针对网络入侵检测所处理数据存在特征维数高、检测效率低、准确率不高的问题,提出一种改进麻雀搜索算法的特征选择方法,旨在减少特征冗余的同时提高分类准确率。利用改进Circle映射初始化种群;结合秃鹰搜索算法中的螺旋搜索方式更新发现者位置;采用单纯形法和小孔成像法优化适应度较差和最优麻雀的位置,提升算法的寻优能力。将该算法与其它算法在6个经典基准函数上进行对比测试,其在收敛速度、精度等方面均有提升。使用数据集CIC-IDS2017进行特征选择实验,平均保留了7.6个特征,准确率达到了99.5%,结果表明,该算法可以在保证准确率的同时有效降低特征维度。

基于粒子群-差分进化算法的测试优化选择方法

测试优化选择是装备测试性设计中关键的一步。针对其易陷入局部最优的问题,提出一种添加信息交换机制的粒子群-差分进化算法(PSO-DE)优化方法。通过融合多信号流图与贝叶斯网络,建立多维空间测试性模型后,利用PSO-DE算法实现快速精确求解。电源系统分析表明:该方法在满足测试性设计要求的前提下,搜索到的测试集合使得系统各测试性指标综合最优且收敛速度最快。相较于其它优化算法,具有收敛速度快、能收敛到全局最优等优点,由此验证了方法的可行性。

基于粒子群优化算法的媒体中继选择策略

在大规模的流媒体业务中,媒体中继主要负责分发流。当被选择的媒体中继性能状态不好时,会影响到用户体验质量。为解决上述问题,文章提出了一种基于粒子群优化算法的中继选择策略。该算法首先在Logistic映射基础上,优化粒子位置,并将迭代次数作为算法中惯性权重的影响因子,优化了粒子群算法中的位置更新公式与速度更新公式。通过仿真实验结果与其他粒子群算法的实验结果进行对比,验证了该文提出的算法能够有效的提升对媒体中继择优概率。

基于心理学理论的多策略生活选择算法

生活选择算法(Life Choice-Based Optimizer,LCBO)是根据人们在日常生活中做出不同的决策而设计的一种智能优化算法。但LCBO在解决高维函数优化问题时容易陷入局部最优,且收敛速度慢。因此,本文基于心理学理论提出一种多策略生活选择算法(Multi-Strategy Life Choice-Based Optimizer,MSLCBO)。首先,基于“贝勃规律”提出有策略的向优秀组学习,提高算法的局部搜索能力;其次,在算法迭代后期受“关系场”理论启发,提出精英交流机制对质量较好的解进行搜索,进一步增强算法局部开发能力,提高算法的优化速度;最后,为避免“投射效应”的心理学效应影响,引入基于折射反向学习策略,从而提升算法的全局搜索能力。对改进后的算法进行2次对比实验:将MSLCBO与其他7种智能优化算法在16个基准测试函数上进行了对比,结果表明MSLCBO性能优势显著;并采用工程实际应用问题中的三杆桁架设计问题进行测试,同样验证了MSLCBO的有效性。

基于改进飞蛾扑火优化算法的奶牛隐性乳腺炎特征选择

为了提高大型牧场奶牛隐性乳腺炎的诊断速度和准确率,进而降低奶牛养殖企业诊疗成本,本研究在基本算法中引入3种不同的改进策略,设计了一种新的飞蛾扑火优化(improved moth-flame optimization,IMFO)算法,在公认的加州大学欧文分校(university of California Irvine,UCI)数据集上测试和评估了IMFO算法在奶牛隐性乳腺炎特征选择中的性能,并将试验结果与其他4种算法的测试结果进行比较分析,将IMFO算法用于奶牛群体改良(dairy herd improvement,DHI)数据的特征选择,并使用K最邻近(K-nearest neighbor,KNN)分类算法进行分类。结果表明:IMFO算法通过引入最优火焰引导(optimal flame guidance,OFG)策略,在寻优过程中使火焰和全局最优个体共同引导飞蛾飞行方向,有效避免了特征选择算法陷入局部最优;通过引入初始化混沌反向学习(initialize chaotic reverse learning,ICR)策略和自适应扰动(adaptive disturbance,AD)策略,提高了初始化模型的空间多样性和质量,增加了种群的多样性,避免了特征选择算法的早熟收敛。将IMFO特征选择算法和其他比较算法在UCI数据集和奶牛隐性乳腺炎疾病数据集上进行试验验证,IMFO与其他算法相比具有更好的特征筛选能力,有效提高了对奶牛隐性乳腺炎的预测性能。说明IMFO算法可提高大型牧场奶牛隐性乳腺炎的诊断速度和准确率。

用于入侵检测特征选择的改进灰狼优化算法

针对标准GWO收敛精度低、易早收敛等问题,提出了一种改进灰狼优化算法GPGWO。首先为了使狼群均匀分布在搜索空间中,结合拉丁超立方体抽样与反向学习来初始化种群位置;然后增加迭代计算过程中狼群的多样性,将灰狼分成不同类型个体,使用不同的位置更新策略;最后对α狼进行随机Levy飞行游走,迫使其离开原本位置。将GPGWO与3种改进GWO算法在广泛使用的10个基准函数上进行比较,仿真结果表明,GPGWO在寻优方面具有一定的优势。随后把GPGWO应用在入侵检测特征选择场景中,通过与不同的分类器相结合形成特征选择算法,实现对高维数据集的降维处理,通过对入侵检测数据集的实验证明,该算法能够保留最优的特征子集,仅用部分特征就能获得最佳的检测效果。

基于邻域互信息的组合预测最优子集选择算法

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance, MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search, CS)和粒子群优化算法(particle swarm optimization, PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量。仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优。

基于混合二进制灰狼算法的入侵检测特征选择方法

为了减少数据集的冗余特征对入侵检测分类器训练用时和检测精度的影响,对二进制灰狼算法的变异概率问题进行分析,重构逼近向量表达式,改善算法的种群变异机制,加快特征降维,减少分类器训练用时;融入粒子群算法的迭代决策形式,增强算法寻优能力;采用混合二进制灰狼算法进行包裹式特征选择,使得数据集特征结构适合于决策树分类器。经NSL-KDD数据集测试,该方法对DoS、Probe攻击流量的检测精度较好,适合用于数据平衡分布的数据集。

求解函数优化和特征选择的改进金豺狼优化算法

针对基本金豺狼优化算法(Golden Jackal Optimization,GJO)在解决高维优化问题时存在计算精度低、开发能力弱、容易陷入局部最优的缺点,提出一种改进GJO算法(I-GJO)。在改进算法中,设计一种基于正弦函数的非线性能量因子替代原随机递减能量因子,以平衡算法在搜索过程中的全局探索和局部开发能力。在算法迭代后期引入翻筋斗学习策略,从而扩大群体搜索范围和改善解的精度。为了验证I-GJO算法的有效性,选取6个基准函数优化问题进行数值实验,并与灰狼优化、海鸥优化算法和基本GJO算法比较。结果表明,I-GJO获得较高的精度和较快的收敛速度。最后利用I-GJO算法求解特征选择问题,对16个基准数据集的数值结果显示,改进算法能有效去除冗余特征和提高分类精度。

基于高置信度伪标签数据选择算法的临床事件抽取方法

【目的】事件抽取是构建高质量事件知识图谱的前提。临床事件抽取过程中事件元素存在依赖关系,现有方法无法准确识别事件元素并组合为事件,且现有临床事件标记数据较少,给事件抽取任务带来了极大的挑战。【方法】将临床事件抽取建模为实体识别模型,提出一种融合多特征的中文医学事件抽取方法:BERT-MCRF.该方法使用BERT构建模型的嵌入和特征提取部分,在CRF层加入多个字的滑动窗口特征,然后将BERT-MCRF作为半监督实验的基实验,提出一种高置信度伪标签数据选择算法作为筛选数据的条件,得到较高质量的300条数据与原始数据合并,最终构建了1700条语料,并重新训练模型。【结果】BERT-MCRF模型在3种属性实体上的整体F1值达到80.21%,比经典的BiLSTM-CRF模型提升15.11%;通过半监督思路重新训练的模型最终F1值达到81.56%,较原始BERT-MCRF提升了1.35%.