算法市场的兴起:概念、挑战与未来发展

人工智能是新一轮科技革命和产业变革的重要驱动力量,人工智能发展离不开数据、算法和算力组成的“三驾马车”。其中,算法作为激发算力潜能与实现数据价值的重要技术环节,是推进“人工智能+”进程与新质生产力形成的核心驱动力。与数据要素市场相比,算法市场的商业化进展明显滞后,其交易机制和市场结构尚缺少系统深入的研究。文章探讨了算法市场的交易标的、市场结构及其关键特征,梳理了算法确权保护和算法流通机制方面面临的主要挑战,并总结了算法确权和流通市场发展的实践探索。通过分析算法市场与知识产权、数据要素市场,文章发现,算法与知识产权在创新性和虚拟性方面具有相似性,但对隐私数据的依赖性和开闭源算法的差异性使其确权保护更具复杂性。同时,算法与数据要素市场共享场景依赖和非标特征,但算法更强的外部依赖性对其流通提出了更高要求。针对我国算法市场当前面临的诸多挑战,文章提出构建以政府和市场双驱动为核心的算法交易与流通机制的政策建议,通过优化确权机制、促进供需匹配、降低使用门槛以及推动跨境流通,以促进算法市场的健康发展和广泛应用。

k-center问题的算法研究综述

k-center问题是设施选址的基础问题,同样是NP难问题,在分配、紧急服务等领域也有着实际的应用。随着问题规模的扩大,原有的算法已不再适用,需要进一步优化或者改进。为了找到求解该问题的高效算法,对现有算法进行研究。对各类求解k-center问题的算法进行梳理,将求解算法划分为精确算法、启发式算法、元启发式算法、近似算法等,从算法原理、改进思路、性能和精度等方面进行对比综述。精确算法在求解小规模k-center问题时可在多项式时间内得到最优解,但是算法效率低,不适用于大规模问题;启发式算法可以在多项式时间内给出相对最优解,但是没有理论保证,无法衡量与最优解的关系;元启发式算法可对目前存在的智能优化算法进行改进,给出相对最优解,但是解的质量无法保证;利用近似算法得到的解具有近似比保证,有较大的理论研究价值,但是实用价值较弱。目前求解k-center问题的元启发式算法已取得一定的研究成果,但是在求解时间、求解规模、算法效率等方面仍待突破,这将是未来k-center问题的研究重点。

基于边界信息的自适应过采样算法

针对人工少数类过采样(synthetic minority over-sampling technique,SMOTE)算法存在样本合成区域狭小,容易将少数类泛化到多数类及引入噪声的问题,提出一种基于噪声过滤、边界点自适应采样的过采样算法。首先,该算法使用K近邻算法进行噪声过滤,接着确定边界点并在边界点中寻找合适的点作为根样本点,并以其K近邻点中与其同类且欧氏距离最远的点作为候选样本点。然后,根据根样本点所携带的边界信息确定该点所合成的样本数量,并根据根样本点和候选样本点生成一个N维球体作为样本的合成区间。最后,对合成样本进行判断以确定其是否满足条件。通过实验证明,该算法生成的样本质量要优于SMOTE及其常见变种算法。

算法审计的现实困境、逻辑框架与实现路径

立足当下对算法风险治理的迫切需求,如何建立算法审计的逻辑框架发挥审计作用、利用算法审计缓解算法风险成为目前应当解决的问题。算法审计如今面临信息披露风险、制度框架不健全、理论基础薄弱、审计人员不足四大现实困境。基于此,算法审计框架应围绕算法审计目标、依据以及原则建立,从算法审计与不同审计手段有效联结、不同审计主体人员互动以及法律与审计协同治理三个角度为算法审计提供保障。由此拓展数智时代算法审计的研究,并为算法风险治理手段提供参考。

改进邻域扩展A^(*)算法的移动机器人路径规划

为解决A^(*)算法在规划路径时存在转折角度过大、路径不平滑的问题,提出改进邻域扩展A^(*)算法。首先,对A^(*)算法搜索范围扩展至24邻域,然后对邻域进行二次数量优化处理得到最终邻域搜索节点。其次,设计具有双层位置导向信息的评价函数,最后对所得路径进行二次平滑处理以剔除冗余节点并削弱路径尖峰的剧烈程度。仿真结果表明,改进邻域扩展A^(*)算法在路径长度、搜索节点数量、规划时间上均优于传统A^(*)算法,且路径无尖峰转角,整体趋势平缓。

基于海洋环境电磁资料的节点约束遗传算法反演流速剖面

海水运动切割地磁场产生的感应电磁场,是海洋环境电磁场的重要组成部分。为了丰富海洋动力环境参数求取方法,并进一步验证实际海洋环境电磁场观测结果的可靠性,本文以模拟磁场与实测磁场的差值构建目标函数,提出基于垂向阵列节点观测值约束遗传算法实现由海水运动感应电磁场反演流速剖面的方法。根据南海实际流速观测资料构建海水运动模型,反演测试结果表明,节点约束下的反演流速与模型流速有较高的相关性和较好的抗噪性能。对南海实测海洋环境电磁资料的反演结果表明,反演流速剖面与ADCP观测资料在总体变化趋势和细节刻画方面均表现出较好的一致性,验证了该反演方法具有较好的实际应用价值。

基于DTW算法的sEMG手势识别控制系统设计

人体在运动过程中会产生微弱的生物电信号,其中蕴含着大量的控制信息。为了使用生物电信号中的信息控制机械臂动作,提出一种基于DTW算法的sEMG手势识别控制系统,利用该系统对采集的原始信号进行滤波和放大。为了确定有效的sEMG,采用移动平均法对处理信号进行划分。使用平均绝对值从数据片段中提取有效段数据,应用DTW算法将3路表面肌电信号融合,计算样本与模型之间的相似度,实现手势识别;再将识别后的信号通过无线模块发送到控制指令,以控制机械臂的动作;最后,采用提出的算法并结合6种类型的手势分类模型创建最佳特征模型。实验测试结果表明,使用动态时间规整(DTW)算法进行手势识别的平均准确率为93.752%,6种手势的平均模型匹配率达到92%,实现了肌电信号对机械臂的精确控制。由此证明所提方法的手势识别比传统的阈值控制开关更准确。

基于网格归一化Astar算法的船舶管路布置

为解决船舶管路布置方法中目前存在的依靠人工经验调节算法参数,权重系数的设置量级差距较大,以及求解布置方案单一的问题,提出一种网格归一化Astar (GNAstar)的布置方法.首先,采用包围盒和网格法建立数学模型.其次,通过分支管路拆分、网格标记值和父子网格搜索策略,使每一路径节点由不同目标的归一化权重值来共同决定,将传统Astar算法仅考虑长度的目标扩展成包括长度、弯头消耗和安装适用性的管路综合布置目标.最后,通过仿真案例将GNAstar算法与传统Astar算法进行对比分析,并以船舶机舱内不同管路系统为例,与文献中的蚁群算法和粒子群-Astar算法开展进一步比较.结果表明,GNAstar算法可获得有效的工程解,设计人员可通过设置不同目标的归一化权重系数来获得相应的布置方案.

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。

不动点演化算法

为设计高效稳定的演化算法,将方程求根的不动点迭代思想引入到优化领域,通过将演化算法的寻优过程看作为在迭代框架下方程不动点的逐步显示化过程,设计出一种基于数学模型的演化新算法,即不动点演化算法(fixed point evolution algorithm,FPEA).该算法的繁殖算子是由Aitken加速的不动点迭代模型导出的二次多项式,其整体框架继承传统演化算法(如差分演化算法)基于种群的迭代模式.试验结果表明:在基准函数集CEC2014、CEC2019上,本文算法的最优值平均排名在所有比较算法中排名第1;在4个工程约束设计问题上,FPEA与CSA、GPE等多个算法相比,能以较少的计算开销获得最高的求解精度.

改进遗传算法支持下的计算机网络通信数据加密方法研究

为提升计算机网络通信中数据加密的效率,本研究采用改进的遗传算法进行加密算法的设计,以选择算子、交叉算子、变异算子的改进为核心,通过优化遗传算法的关键步骤,提升其在数据加密中的应用效果。研究设计了一种基于改进遗传算法的计算机网络通信数据加密方法,并进行了实验分析。结果表明,改进后算法在加密速度、安全性方面均优于传统遗传算法,具有较好的实际应用前景与适用性。

一次性条件下top-k高平均效用序列模式挖掘算法

针对传统序列模式挖掘(SPM)不考虑模式重复性且忽略各项的效用(单价或利润)与模式长度对用户兴趣度影响的问题,提出一次性条件下top-k高平均效用序列模式挖掘(TOUP)算法。TOUP算法主要包括两个核心步骤:平均效用计算和候选模式生成。首先,提出基于各项出现位置与项重复关系数组的CSP(Calculation Support of Pattern)算法计算模式支持度,从而实现模式平均效用的快速计算;其次,采用项集扩展和序列扩展生成候选模式,并提出了最大平均效用上界,基于该上界实现对候选模式的有效剪枝。在5个真实数据集和1个合成数据集上的实验结果表明,相较于TOUP-dfs和HAOP-ms算法,TOUP算法的候选模式数分别降低了38.5%~99.8%和0.9%~77.6%;运行时间分别降低了33.6%~97.1%和57.9%~97.2%。TOUP的算法性能更优,能更高效地挖掘用户感兴趣的模式。

基于DQN算法的直流微电网负载接口变换器自抗扰控制策略

在直流微电网中,为了保证直流母线与负载之间能量流动的稳定性,解决在能量流动中不确定因素产生的扰动问题。在建立DC-DC变换器数学模型的基础上,设计了一种基于深度强化学习的DC-DC变换器自抗扰控制策略。利用线性扩张观测器对总扰动的估计补偿和线性误差反馈控制特性对自抗扰控制器结构进行简化设计,并结合深度强化学习对其控制器参数进行在线优化。根据不同工况下的负载侧电压波形,分析了DC-DC变换器在该控制策略、线性自抗扰控制与比例积分控制下的稳定性、抗扰性和鲁棒性,验证了该控制策略的正确性和有效性。最后,在参数摄动下进行了蒙特卡洛实验,仿真结果表明该控制策略具有较好的鲁棒性。

三维无线传感器网络中虚拟力引导的鲸鱼覆盖优化算法

针对如何设计适用于现实物理世界的三维覆盖优化算法并最大化覆盖率问题,本文提出了一种虚拟力引导的鲸鱼覆盖优化算法(VFWOA)。利用Halton序列初始化生成均匀分布的鲸鱼种群,增强种群多样性以提升算法跳出局部最优解的能力;采用虚拟力算法引导最优个体位置更新,加快算法寻优速度;引入多样性策略,控制种群的变化,提升算法寻优能力。仿真结果表明,与改进鲸鱼优化算法(WOA)、改进麻雀搜索算法和改进人工蜂群算法相比,本文所提算法提高了节点覆盖率并改善了网络的连通性。

基于Sentence-BERT与孤立森林算法的专利新颖性评估

进行关键技术抽取作为实施方法特征;其次,采用Sentence-BERT对上述特征进行文本向量化表示后组合输入至孤立森林算法获得离群专利集;最后,通过技术量权值过滤法提高专利新颖性评估的精度。以金融科技领域专利进行实证研究,结果表明,该评估方法准确率相较专业专利分析平台方法提升了9%~11%。证明了该方法在专利新颖性评估中的有效性,能为后续专利审核工作和高价值专利分析提供参考。

算法情境下用户隐私保护行为的影响机制及其个体差异

基于算法感知视角,揭示用户在算法平台产生隐私保护行为的心理机制和个体差异。对APP用户进行问卷调查,检验用户的算法感知对隐私保护行为的影响以及隐私关注的中介效应和预防焦点的调节效应。研究表明,用户的算法感知正向影响隐私保护行为;隐私关注在二者的关系之间具有显著的中介作用;二者的关系存在个体差异,受到预防焦点的调节。对于预防焦点水平较高的用户,算法感知与隐私保护行为以及隐私关注与隐私保护行为之间的关系都会更强。

基于EA-RL算法的分布式能源集群调度方法

目前对于分布式能源集群调度的研究大多局限于单一场景,同时也缺少高效、准确的算法。该文针对以上问题提出了一种基于进化算法经验指导的深度强化学习(EA-RL)的分布式能源集群多场景调度方法。分别对分布式能源集群中的电源、储能、负荷进行个体建模,并基于个体调度模型建立了包含辅助调峰调频的多场景分布式能源集群优化调度模型;基于进化强化学习算法框架,提出了一种EA-RL算法,该算法融合了遗传算法(GA)与深度确定性策略梯度(DDPG)算法,以经验序列作为遗传算法个体进行交叉、变异、选择,筛选出优质经验加入DDPG算法经验池对智能体进行指导训练以提高算法的搜索效率和收敛性;根据多场景调度模型构建分布式能源集群多场景调度问题的状态空间和动作空间,再以最小化调度成本、最小化辅助服务调度指令偏差、最小化联络线越限功率以及最小化源荷功率差构建奖励函数,完成强化学习模型的建立;为验证所提算法模型的有效性,基于多场景的仿真算例对调度智能体进行离线训练,形成能够适应电网多场景的调度智能体,通过在线决策的方式进行验证,根据决策结果评估其调度决策能力,并通过与DDPG算法的对比验证算法的有效性,最后对训练完成的智能体进行了连续60d的加入不同程度扰动的在线决策测试,验证智能体的后效性和鲁棒性。

小样本下基于改进麻雀算法优化卷积神经网络的飞轮储能系统损耗

飞轮储能系统具有待机损耗,不适合长期储能。针对飞轮损耗这一经济指标,基于飞轮储能系统运行的小样本数据,提出了一种结合Logistic混沌麻雀优化算法和卷积神经网络的飞轮损耗计算模型。首先,分析了飞轮损耗产生的原因;接下来对宁夏灵武电厂的飞轮运行数据进行预处理,并使用对抗生成网络进行小样本扩充;然后基于卷积神经网络建立损耗模型,使用改进的麻雀算法对模型超参数进行优化,并通过对比验证了该模型的优越性;最后通过仿真实验证明了该模型能够优化飞轮储能系统的出力,降低飞轮损耗。

基于深度强化学习的游戏智能引导算法

针对传统游戏智能体算法存在模型输入维度大及训练时间长的问题,提出一种结合状态信息转换与奖励函数塑形技术的新型深度强化学习游戏智能引导算法.首先,利用Unity引擎提供的接口直接读取游戏后台信息,以有效压缩状态空间的维度,减少输入数据量;其次,通过精细化设计奖励机制,加速模型的收敛过程;最后,从主观定性和客观定量两方面对该算法模型与现有方法进行对比实验,实验结果表明,该算法不仅显著提高了模型的训练效率,还大幅度提高了智能体的性能.

改进遗传算法应用于地震场景下无人机路径规划研究

为提高中强震灾害地区的救援效率,对传统路径规划模型进行了改进。传统模型在最大路程限制下优化覆盖人数,但无法均衡路程与覆盖人数,通过引入权重与均衡系数解决此问题并构建了加权路径优化模型。模型以生成路径最短、权重最大为目标,采用多无人机、单起降点的调度方法。为改善传统遗传算法的收敛性及对局部解空间的搜索能力,引入2-opt局部搜索算法、权重修复机制、以种群多样性指标动态调整算法的变异率和交叉率等策略,并对模型进行求解。结果表明,在多种运行场景下,该模型生成路径更加优越,算法与传统遗传算法、粒子群优化(Particle Swarm Optimization,PSO)算法、A^(*)算法相比,可得到救援效率更高的飞行路径。