基于Log-Gabor和正交等度规映射的人脸识别

针对人脸识别中的特征提取问题,提出一种基于Log-Gabor和正交等度规映射(Orthogonal IsoProjection,OIsop)的人脸识别算法.算法首先采用Log-Gabor小波对图像进行滤波来提取高阶非线性统计信息.然后,在原始的优化问题中增加正交约束条件,推导出能得到一组具有正交性最优映射向量的迭代公式...     

基于ε-支配的自适应多目标进化算法

提出一种新的基于ε-支配关系的自适应多目标进化算法(AEMOEA)。在每次的进化中保留端点,并从端点集中选取一个作为父本,参加进化,弥补了ε-MOEA算法中端点易被丢掉的缺陷;在进化过程中根据存档动态地调整ε的取值,使解的分布更加均匀;当存档中个体过多时,运用ε-支配关系进行剪切,使其个体数处在合理水平。通过5个常用双目标测试函数的计算,验证了该算法在求解质量上优于ε-MOEA、NAGA-II以及SPEA-2等主流多目标算法。     

基于判别等度规映射的人脸识别

等度规映射算法旨在最大限度地保持样本间距离,没有考虑样本的类判别信息。针对该问题,提出一种基于判别等度规映射的人脸识别算法。在等度规映射算法的基础上,引入最大散度差准则,得到优化的目标函数。在嵌入低维子空间后,同类样本保持其固有的近邻几何结构关系,不同类近邻样本则彼此远离。在ORL数据库上的实验结果验证了该算法的有效性。     

基于动态ε支配的多目标遗传算法

基于Pareto支配的MOEA存在着一些缺陷,如容易出现退化现象等。而基于ε支配的MOEA可以比较好地解决这些问题,并具有比较理想的收敛性和分布性。但是采用传统的ε-MOEA时,最大的困难就是ε的值的设定,并且传统的MOEA得出的解在边界部分个体的丢失现象也比较严重。针对这种情况提出了一种新的基于动态ε支配的多目标遗传算法（DEMOEA）,它不需要手动设定ε的值,并且引入了动态网格概念来改善边界解丢失的现象。通过与其他两个经典的多目标进化算法的NSAGA-II和SPEA-2的对比实验,表明提出的DEMOEA能在收敛性、分布性有较好的改进。     

基于ε-支配的多目标进化算法及自适应ε调整策略

提出了一类新的基于ε-支配关系的多目标进化算法.该算法采用配对比较选择和稳态替换策略,提高了算法的收敛速度,降低了计算时间.首先,在保持种群分布性上,采用了一种新的基于ε-支配关系的精英保留策略,避免了传统修剪策略所引起的Pareto前沿面的退化.其次,根据不同ε取值分析了算法收敛性,提出了一种自适应ε调整策略.最后,通过5个常用的双目标测试函数的计算,验证了包括该自适应调整策略的多目标进化算法在求解质量上显著强于NSGAII,SPEA2和ε-MOEA等主流多目标进化算法.     

基于自适应ε支配的快速多目标遗传算法

多目标遗传算法(MOGA)大体上可以分为两个步骤:构造非支配集和保持解分布度。而ε支配能将两者有机地结合起来,具有良好的时间效率及分布度。但是采用ε支配时,其ε参数难以设定,为此文章提出了一种基于自适应ε支配的快速多目标遗传算法(AEMOGA)。通过与其它的2个多目标遗传算法NSGA2和SPEA2比较,实验结果表明该文提出的算法具有良好的时间效率分布性、收敛性及时间效率。     

一种改进快速稳定的多目标优化算法

多目标优化问题属于高维的搜索空间,用一些传统方法来优化这些问题会导致较高的时间复杂性.为了解决该问题,使用了粒子群优化算法(PSO),同时将ε-dominance的概念应用到PSO中.该方法在实验过程中取得了良好的效果.其运算速度快,而且最终优化的点数可以得到控制.     

多目标进化算法中基于角度偏好的ε-Pareto支配策略

利用参考点及角度值引入决策者的偏好信息,采用角度偏好区域设定方法将目标空间划分为偏好区域和非偏好区域,提出一种能区分偏好区域和非偏好区域中非支配解的支配策略——角度偏好的ε-Pareto支配策略.为验证所提出的支配策略的有效性,将其融入基于ε支配的多目标进化算法(ε-MOEA)中,形成AP-ε-MOEA.通过与融入G支配的G-NSGA-II和融入R支配的R-NSGA-II的性能对比实验表明,AP-ε-MOEA在以较快速度收敛到Pareto最优边界的同时,能较好满足决策者偏好.     

基于支配强度的NSGA2改进算法

NSGA2是一种简单、高效且被广泛使用的多目标进化算法(Multi-objective Evolutionary Algorithm,MoEA),但在求解实际工程领域中的高维、复杂非线性多目标优化问题(Multi-objective Optimization Problems,MOP)时,存在无法有效识别伪非支配解、计算效率低、解集收敛性和分布性较差等设计缺陷。对此,文中提出一种基于支配强度的NSGA2改进算法(INSGA2-DS)。新算法采用快速支配强度排序法构造非支配集,引入了考虑方差的拥挤距离公式,并通过自适应精英保留策略动态调整精英保留规模。基于标准测试函数的仿真实验表明,INSGA2-DS算法较好地改善了NSGA2算法的收敛性和分布性。     

一种基于ε-支配的多目标自组织迁移算法

提出一种基于ε-支配关系的多目标自组织迁移算法.首先对基于混合迁移行为的自组织迁移算法进行改进,将全面学习的思想引入个体的迁移过程中,使得个体的每个分量都可以向其他个体学习,从而进行充分的信息交换;通过引入学习因子扩展个体的迁移方向,使得步长可灵活变化,进而利用改进算法快速搜索多目标函数的Pareto最优解,并采用ε-支配关系以保持种群分布性;最后通过实验分析表明了所提出方法的有效性.