基于思维进化机器学习的自适应趋同策略

基于思维进化的机器学习（ＭＥＢＭＬ）主要由趋同和异化算子构成,趋同策略的优劣直接影响着进化的效率与最优性。本文通过对趋同机理的分析给出了一种自适应趋同策略,包括了群体规模自适应调整和方差自适应调整。最后,以优化问题为仿真实例说明了方法的有效性。     

基于动态自适应策略的改进差分进化算法

针对差分进化算法处理复杂优化问题时存在后期收敛速度变慢、收敛精度不高和参数设置困难的问题,提出了一种基于动态自适应策略的改进差分进化算法(dn-DADE)。首先,新的变异策略DE/current-to-dnbest/1利用当前种群中的精英解引导有效的搜索方向来动态调整可选的精英解,使其在进化后期趋于全局最优解。其次,分别设计了缩放因子和交叉因子的自适应更新策略,使两者在搜索的不同阶段自适应变化,以弥补差分进化算法对参数敏感的不足,进一步提高算法的稳定性和鲁棒性。对14个benchmark函数进行了测试并与多种先进DE改进算法进行了比较,结果显示,dn-DADE算法具有较高的求解精度,收敛速度快,寻优性能显著。     

在进化策略中引入策略进化

进化策略是遗传／进化算法中的重要算法之一．如何选择合适的策略来引导进化则又是进化策略的关键问题之一,本文从进化策略对自然选择的基本理解和结论出发，给出了一种对进化策略中的策略选择问题的进化优化方法．同时，我们还讨论了基于进化策略的机器学习问题．     

改进自适应差分进化算法求解大规模整数任务分配

针对0-1任务规划模型存在维数灾维的问题,提出一种基于改进自适应差分进化(SADE)算法的大规模整数任务分配算法。首先,将任务分配的0-1规划模型转化整数规划模型,不仅大幅减少了优化变量的维数,还减少了整式约束条件;然后,将常用的变异算子DE/rand/1/bin和DE/best/2/bin结合起来组成新的自适应变异算子,使得自适应差分进化算法既有较快的收敛速度,又降低了变异算子对具体问题的依赖;并用改进自适应差分进化算法求解整数规划。最后,通过典型的任务分配实例验证了算法在优化大规模任务分配的有效性和快速性。     

基于进化策略的消防应急救援决策

近年来,随着社会的发展,城市中各种突发事件的发生频率越来越高,因此需要加强对城市应急决策支持系统(Emergency Decision Supports System,EDSS)的研究。进化策略是受自然进化过程启发,并成为求解全局优化问题的重要方法。将进化策略应用于EDSS中的消防救援事件的推理决策过程,提高了EDSS处理复杂问题的决策能力,实验证实了此方法的有效性。     

任务分配与调度的共同进化方法

并行与分布式计算环境中随着独立任务的增多,传统进化类单种群的任务分配与调度算法的效率与效力随之大为降低,该文在分析传统解完整编码单种群进化类算法的基础上,基于生物界多物种间共同进化的机制提出了任务分配与调度的合作式共同进化计算模型,并探讨了任务分配与调度问题中的子种群合作方式与个体的适应值计算方法。此外,从数学上分析了基于合作式共同进化的任务分配与调度算法的性能,指出共同进化调度方法中好的调度方案能以高于传统单种群进化算法的递增指数递增。仿真分析证实了算法的理论分析结果,算法具有实际工程价值。     

基于进化策略的自适应联邦学习算法

联邦学习是一种多设备参与的,保护数据隐私的深度学习技术.它能够在私有数据不出本地的同时训练全局共享模型.然而,在复杂的物联网环境中,联邦学习面临着统计异构性和系统异构性的挑战.不同的本地数据分布和高额的通信计算成本,使得过参数化的模型不适合在物联网应用中直接部署.同时,非独立同分布的数据也使采用参数平均聚合的联邦学习更加难以收敛.联邦学习场景下的研究难点在于,如何根据私有数据为每个客户端建立个性化的轻量级模型的同时,把这些模型汇总成为联合模型.为了解决这一问题,本文提出了一种基于进化策略的自适应联邦学习算法.该方法将模型结构进行编码,把每个参与者视作进化策略中的个体,通过全局优化来为每个客户端自适应地生成不同的个性化子模型.客户端根据网络单元重要性和编码在服务器端超网中抽取相应的子网来进行本地更新,而这种网络局部更新的方法天然契合dropout的思想.在真实数据集上进行的大量实验证明,本文提出的框架相比于经典的联邦学习方法,模型性能得到了显著改善.在客户端数据非独立同分布的情况下,该算法在有效降低了客户端在通信带宽和计算力受限条件下参与联邦学习门槛的同时,提高了全局模型的泛化能力.     

基于反射变异策略的自适应差分进化算法

针对差分进化算法易于陷入早熟收敛和局部搜索较慢的问题,提出了一种类似Nelder-Mead方法中的反射操作的变异策略,称为反射变异策略。不同于其他基本的差分策略,提出的变异策略具有明确的差分方向,具有更快的局部收敛速度。为了避免因差分方向的贪婪性而导致算法早熟的可能性增加,反射变异策略使用4个随机的个体完成一次变异操作。将基于反射变异策略的子代生成策略和自适应参数方法组合形成了基于反射变异策略的自适应差分进化算法（RMADE）。使用12个函数测试了RMADE的性能并与其他算法进行比较,结果表明RMADE具有较快的收敛速度和较好的全局探测能力,进而体现了反射变异策略的价值。     

一种低复杂度的基于进化策略的自适应运动估计方法

为了进一步提高编码质量并能快速编码,提出了一种新的基于进化策略的自适应运动估计算法。鉴于在进化策略中变异操作与正态分布法则对应,是核心算子,为此将进化策略应用于运动估计,提出了一种新的自适应运动估计算法,并第1次将运动方向信息作为变量引入运动估计算法,同时改进了步长自适应控制机制,以便进一步提高算法的收敛速率,同时采用种群规模的自适应控制,降低了算法的复杂度。试验结果表明,该算法的性能与全搜索算法相近,而复杂度略大于三步法。由于其具有低复杂度和进化算法的内在并行性的特点,故该算法适合硬件实现。     

基于自适应噪声的最大熵进化强化学习方法

近年来,进化策略由于其无梯度优化和高并行化效率等优点,在深度强化学习领域得到了广泛的应用.然而,传统基于进化策略的深度强化学习方法存在着学习速度慢、容易收敛到局部最优和鲁棒性较弱等问题.为此,提出了一种基于自适应噪声的最大熵进化强化学习方法.首先,引入了一种进化策略的改进办法,在“优胜”的基础上加强了“劣汰”,从而提高进化强化学习的收敛速度;其次,在目标函数中引入了策略最大熵正则项,来保证策略的随机性进而鼓励智能体对新策略的探索;最后,提出了自适应噪声控制的方式,根据当前进化情形智能化调整进化策略的搜索范围,进而减少对先验知识的依赖并提升算法的鲁棒性.实验结果表明,该方法较之传统方法在学习速度、最优性收敛和鲁棒性上有比较明显的提升.     

基于自适应策略的改进粒子群算法

粒子群算法的参数速度权重在寻优过程中具有重要的作用。如何寻找合适的速度权重是提高算法性能的关键,为解决上述问题,提出了一种基于自适应策略的改进粒子群算法。改进粒子群算法在每次种群进行迭代时,根据每个粒子的适应度值自适应地改变每个粒子的速度权重,动态调整每个种群粒子的活性,提高了算法的全局寻优能力和收敛能力。仿真结果表明,在单目标函数中,改进算法能够更快速地找到最优位置,提高了算法的寻优能力;在多目标函数中,改进算法能够更快速地收敛到问题的Pareto最优边界,提高了算法的收敛能力。     

基于自适应认知域的粒子群性能改进方法

为提高粒子群算法的收敛性能,提出一种自适应粒子认知域方法.在粒子位置的更新方法中,粒子运动到当前的最好位置由计算得到的最好位置为中心,粒子的认知方向为导向来确定.利用线性惯性下降权重来实现粒子的优化.为验证该方法的有效性,将此方法应用于3种不同的粒子群方法,分别是固定权重粒子群方法、线性下降权重粒子群方法及阶梯形群体粒子群算法.实验结果表明此方法是较有效的.     

基于自适应与主动消息的任务调度策略研究与实现

在并行分布计算中，任务调度策略是影响并行分布计算性能的重要因素，结合现有任务调度法存在的问题，运用有效聚合与充分释放的思想，提出并实现了一种具有自适应和主动消息的任务调度策略，有效地提高了系统的整体性能。     

基于演化策略算法的作业车间调度优化

提出一种基于工件操作次序的二维实数编码方法,采用演化策略算法求解作业车间调度问题。设计一种基于三点交叉互换的重组算子用于生成子代个体,并采用个体编码基因随机重新生成的方法设计变异算子。实验结果证明,演化策略算法能有效优化作业车间调度问题,与遗传算法和粒子群优化算法相比,其优化性能更好,并且基于三点交叉互换重组算子的演化策略算法的性能好于基于两点交叉和基于四点交叉互换重组算子的演化策略算法。     

基于角色和CSCL的多Agent协作过程研究

网络环境下多Agent协作问题是当前MAS研究的主要方向。在一种新型的智能CSCL模型RICL的基础上,研究CSCL系统中基于角色的多Agent协作问题,给出基于角色的群体交互和协同规则,从而为协作问题求解提供一个新的模式。     

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition, BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明：与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。     

TSP问题的自适应进化算法

提出了一种 TSP问题的进化计算方法。此方法结合边自适应和边重组的进化过程处理方法 ,在本质上符合 TSP问题的求解的需要。本文给出了边适应性函数的数学模型 ,并且构造了一种易于实现的路径重组算法。对于 TSP问题的求解是一种新的见解     

基于Q学习的适应性进化规划算法

进化规划中, 个体选择变异策略特别重要. 适应性变异策略因在进化过程中动态选择个体变异策略, 能够取得较好的性能. 传统适应性变异策略都依据个体一步进化效果考察个体适应性, 没有从多步进化效果上对变异策略进行评价. 本文提出一种新的基于 Q 学习的适应性进化规划算法QEP (Q learning based evolutionary programming), 该算法将变异策略看成行动, 考察个体多步进化效果, 并通过计算 Q 函数值, 学习个体最优变异策略. 实验表明, QEP 能够获得好的性能.     

一种改进的基于约束支配的多目标进化算法

针对传统优化方法在处理带约束的多目标优化问题上的不足进行了分析,将多目标进化算法以及约束支配的概念结合起来,重新定义了种群个体间的支配关系,避免了罚函数法因惩罚系数不合适而出现优化结果为非可行解的情况。并且结合惩罚值改进了选择算子和适应值分配机制,避免出现早熟收敛。同时,采用精共策略,让精英个体参与遗传操作,加快算法收敛速度。通过算例分析可知,将多目标进化算法以及约束支配的概念应用到浮筒配置优化方案是可行的、有效的。     

量子进化算法原理及改进策略研究

针对传统进化算法存在收敛速度慢和未成熟收敛的问题,将进化算法与量子理论相结合,提出一种量子进化算法。使用量子比特编码染色体,构造一种新的用于普通染色体的全干扰交叉操作。实验证明,该算法能带来丰富的种群,使其以大概率向优良模式进化,从而加快算法的收敛速度,同时还能避免种群陷于一个局部最优,有效防止早熟。