面向演化计算的群智协同研究综述

演化计算为代表的群体智能的迅速发展引发了人工智能领域新一轮技术变革。为满足多样化复杂系统应用需求,人工智能越来越趋向于跨级别的智能化、协同化研究。该文提出面向演化计算的群智协同的概念,根据群智协同层级将人工智能跨级别的智能化、协同化研究分为微观协同、中观协同与宏观协同,以群智协同视角对近年来上述分支领域相关研究做出了总结。首先,通过分析决策变量级协同、全局与局部级协同对微观协同进行了阐述。其次,从目标级协同和任务级协同两个维度对中观协同进行了总结。再次,以智能协同系统中存在的空天地海协同、车路云协同和端边云协同对宏观协同展开分析。最后,该文指出了面向演化计算的群智协同领域的研究挑战,并对相关领域发展方向进行了展望。

面向慕课视频的关键信息检索系统设计

随着互联网技术的迅猛发展,慕课等在线教育平台日益受到广泛关注。慕课作为一种创新的教育形式,有效突破了传统教育模式的地域界限,实现了优质教育资源的全球共享。通过慕课,学习者能够根据个人兴趣自主选择课程,灵活安排学习时间与进度,且能便利地进行重复学习。然而,当前慕课平台在针对授课视频中的特定知识点进行时间定位时,仍存在很大挑战,导致用户在学习关键核心知识点时需频繁拖动视频进度以寻找相应视频片段。针对这一现状,提出了一种基于多重二分匹配的注意力机制模型的慕课视频知识抽取算法。算法框架的主体部分包括字幕文本识别与生成、字幕文本分段提取、知识点抽取模型,以及知识点检索模块。实验结果表明,相对于当前的知识点抽取模型,所提模型在Inspec,NUS,Krapivin,SemEval,KP20k等多个数据集上,在部分关键指标上达到了当前的最优表现,充分证明了本系统在实际应用中的潜力和价值。

基于边缘引导和动态可变形Transformer的遥感图像变化检测

卷积神经网络(Convolutional Neural Network,CNN)和Transformer的混合架构能够有效建模图像的局部与全局特征,已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战. CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息,降低目标边界的精度;此外,Transformer分支对图像像素进行等同长程依赖关系建模,忽略了变化目标的形状及语义关联信息,导致网络对变化目标特征的表达不足.为解决上述问题,提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块,利用高频信息增强目标区域的边缘信息,从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer,能够自适应地匹配形状不同的变化目标,选择与变化相关的特征建模长程依赖关系,以提高网络的特征表达能力.实验结果表明,提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度,在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.

无人机集群任务分配的多目标算法研究

针对目标识别场景下的无人机集群协同任务分配问题,建立了以识别代价和识别收益为目标的优化模型,设计了基于分解的多目标差分进化算法求解该模型。首先,提出了精英初始化方法,在保证所得非支配解分布均匀的基础上,筛选初始解以提高解集的质量;其次,结合模型特性构造整数编码下的多目标差分进化算子,提高算法的收敛速度;最后,设计了带限制的禁忌搜索策略,使得算法具有跳出局部最优的能力。该算法为问题的求解提供一组非支配解集,使得可以根据实际需求选择更加合理的最优解。通过上述方法获得分配方案后,基于拍卖算法设计任务重分配策略,进一步调整分配方案,以应对无人机损毁的突发情况。仿真实验验证了所提算法在求解小、中、大规模任务分配问题上的有效性。相比于其他算法,文中算法所得非支配集具有更高的质量,可以消耗更少的识别代价来获取更高的识别收益,说明算法具有一定的优越性。

一种新的基于预测的动态多目标进化算法

动态多目标优化问题(DMOPs)是指目标函数随时间变化的一类问题,算法求解的目标是持续跟踪移动的Pareto最优解集或Pareto最优前沿。基于预测的方法受到格外的关注,然而这些方法多使用历史环境信息进行预测,考虑到使用历史信息预测会存在预测不准确的问题,加强新环境信息的挖掘和利用,提出了一种新的基于预测的动态多目标进化算法,该算法主要包括两个核心部分,分别记为响应机制和加速机制。响应机制在环境变化后重新初始化群体,一部分的个体由预测策略产生,以生成靠近下一环境Pareto最优解集的个体来提高算法的寻优能力,剩余部分个体采用局部搜索策略生成以增加种群多样性。加速机制用于静态优化过程以提高算法收敛速度。最后,将动态多目标进化算法与其他3种先进的动态多目标优化算法在具有不同动态特征的一系列测试函数上进行实验对比,结果表明,动态多目标进化算法相比其他3个算法在求解动态多目标优化问题中更具有优势。

基于混合蚁群贪婪算法的路面区域多裂缝修补路径规划研究

面对日益繁重的公路养护任务,亟需通过公路养护的自动化与智能化提升公路养护效率,保障通行安全。为了使路面裂缝自动修补技术精准服务于实际应用,对基于混合蚁群贪婪算法的路面区域多裂缝修补路径规划进行了研究。首先,以修补车最短修补路径为优化目标,构建了最短冗余路径下的路面区域多裂缝修补路径规划数学模型;然后,基于该数学模型以混合蚁群贪婪算法(AC-GA)实现问题求解。为了验证研发算法效果,针对包含40条裂缝的待修补区域,通过引入传统蚁群算法(AC)与AC-GA相比较,探究AC-GA的可行性与有效性。实验结果表明:AC-GA在求解效果、求解效率两方面都优于AC算法,面向双向两车道路面区域包含40条裂缝的场景,可实现10 s内获取较好的多裂缝修补方案。

基于协同稀疏解混的高光谱图像变化检测方法

高光谱图像变化检测可以考察地物随时间的变化,而高光谱图像解混可以分析地物的物质(亚像元级)构成.因此,将高光谱图像解混引入到高光谱图像变化检测中,不仅可以考察地物发生变化与否,还能利用地物成分随时间的演变信息得到更精准的检测结果.本文首先从高光谱图像的线性混合模型出发,利用稀疏解混的思想对解混模型进行简化,进而采用直观的变化向量分析思路,逐步建立了基于协同稀疏解混的无约束高光谱变化检测模型.其次,本文基于子空间匹配的思想构造了匹配光谱库,以增加解混过程中光谱库和像元光谱的匹配程度.然后,本文设计了交替方向乘子法对所建立的无约束变化检测模型进行求解.最后,本文设计了自适应的丰度截断策略对解混结果进行集成以得到最终的变化检测结果.在仿真及真实数据集上的对比实验结果表明:本方法不仅可以得到高精度的变化检测结果,还可以在虚检和漏检之间寻求良好的平衡.

面向防空资源分配优化问题的自适应演化算法

防空资源分配作为作战装备-目标分配问题的一种重要组成部分,必须不断适应战场的动态变化.如何在复杂战场环境中协调多作战装备单元、合理分配防空资源,提出更加灵活和智能的分配策略,以实现装备系统效能最大化,成为了当下亟待解决的核心问题.在综合考虑多部雷达接力跟踪、多枚导弹拦截同一目标和目标优先级等因素的基础上,构建了防空资源分配数学模型.将启发式规则的运算效率及定制化优势与演化算法的广域搜索优势相结合,设计一种新的自适应演化算法对此问题分阶段求解.为了提升算法的搜索能力与速度,在迭代中为目标分配首枚导弹的分配方案,并引入资源释放和重规划的方法提升现有方案质量.然后,在迭代后采用启发式规则对已发现的最优方案按需分配多枚导弹.通过对不同资源与不同规模的算例进行数值仿真实验,验证了该算法具有求解时间和求解精度上的优越性,可有效解决防空资源分配问题.