实现并行搜索和符号逻辑算法的高阶的二维时态—竞争激励神经网络方法

本文提出并行搜索和规划算法，以及实现它们的高阶二维时态－竞争激励神经网络。这种网络还能实现基于传统符号逻辑的许多问题求解算法，本文的方法克服了通常的神经网络求解优化问题的缺陷，同时，也避免了符号逻辑算法的串行性及符号逻辑Ｓｙｓｔｏｌｉｃ结构复杂性等问题，给出了求解隐式图搜索、ＬＣＳ问题、ＴＳＰ问题及０－１背包的实例。     

基于高阶和时序特征的图神经网络社会化推荐算法研究

跨项目社会推荐是一种将社交关系整合到推荐系统中的方法。社会化推荐中包含用户-项目交互图和社交网络图,用户是连接这两个图的桥梁,其表示学习对提升社会化推荐的性能至关重要。然而,现有方法主要使用用户或项目的静态属性和社交网络中的显式朋友关系来进行表示学习,用户和项目交互的时序信息及隐式朋友关系未得到充分利用。因此,在社会化推荐中,如何有效利用时序信息和社交信息成为重要的研究课题之一。文中通过建模用户的隐式朋友和项目的社交属性,提出了一种新颖的基于高阶和时序特征的图神经网络社会化推荐算法(Graph Neural Networks Social Recommendation Based on High-order and Temporal Features)模型,简称HTGSR。HTGSR首先利用门控递归单元对基于项目的用户表征进行建模,以反映用户的近期动态偏好,并定义一个高阶建模单元来提取用户的高阶连通特征,挖掘用户的隐式朋友信息;其次利用注意力机制获取基于社交关系的用户表征;然后提出不同的项目社交网络的构建方式,并利用注意力机制来获取项目表征;最后将用户和项目的潜在表征输入到多层感知机,...     

求解旅行商问题的多样化搜索帝国竞争算法

帝国竞争算法是一种局部搜索能力较强的群智能优化算法，但过度的局部搜索会导致多样性丢失并陷入局部最优。针对这一问题提出基于多样化搜索的帝国竞争算法（MSSICA）。将国家定义为一条可行解，将王国定义成四种特性不同的组合人造解方式。在搜索时使用区块机制保留各自的优势解片段，并对不同的帝国使用差异化的组合人造解方式以搜索不同解空间的有效可行解信息。在陷入局部最优时，使用多样化搜索策略注入均匀分布的可行解替换较无优势的解以提升多样性。实验结果显示，多样化搜索策略可以有效地改善帝国算法的求解多样性，并提升求解质量与稳定性。     

基于内螺旋搜索的生物激励遍历路径规划算法

针对传统生物激励神经网络遍历路径规划的重复覆盖率高和子区域间路径不是最优的问题,提出了基于内螺旋搜索的生物激励遍历路径规划方法.方法 在未知水下环境信息的情况下通过生物激励神经网络算法完成水下地图环境建模与路径规划,在分割出子区域后通过内螺旋算法占主导完成子区域遍历,避免神经元活性值相同引起重复覆盖,子区域间通过A*算法实现最优路径规划.仿真结果表明,相较原方法,上述方法生成的路径分别在重复覆盖率、运行时间、路径长度指标上均有较大提升.     

基于分区和分层搜索的并行粒子群算法*

为提高粒子群优化算法在优化问题中的效率,提出了并行粒子群优化算法(SLPSO)。其基本思想是并行机制+解空间压缩+分层搜索。主要工作包括：搜索空间划分为n个区,由n个子群并行搜索,将搜索结果最好的作为指定的搜索空间,即将搜索空间缩小到原解空间的(1/n);提出了粒子群两层划分模型,底层利于扩大搜索范围,上层利于全局精细搜索。在四个基准函数上的优化实验表明,新方法比经典的IPPSO并行粒子群算法在解的精度上提高了80.37%。     

一种基于混合粒子群优化算法的深度卷积神经网络架构搜索方法

神经架构搜索（neural architecture search,NAS）技术自动寻找神经网络中各层的最佳组合和连接方式,以及各种超参数的最佳分布。该方法从搜索空间生成若干不同的卷积神经网络（CNN）,使用混合粒子群优化（hybrid particle swarm optimization,HPSO）算法,将一定数目的神经网络个体视做一个群体,将每个网络个体在评价指标下的表现值视做适应度,在给定的世代数范围内,每个神经网络个体都学习自身的历史最佳适应度个体,和整个群体的最佳适应度个体,迭代改善自身的网络架构。实验结果表明,算法运行中出现的最优网络架构,在图像分类任务的多个基准数据集上,与手工设计的神经网络和以遗传算法为基础的NAS算法相比,在网络参数数量和准确率的平衡上取得了有竞争力的结果。     

基于局部搜索的求解图的二划分问题的改进算法

文章对一般的求解图的二划分问题的局部搜索算法进行了改进,改进的算法模拟了大自然的自组织、自适应过程,算法简单、高效,通过用几个实例子对算法的测试,所得的解的质量明显提高。     

基于全局和局部搜索的整型权值神经网络混合学习算法

提出基于全局搜索(差分进化算法)和局部搜索(模式搜索)的混合型神经网络学习算法(DEPS),并采用查找逼近法对sigmoid函数进行优化。实验部分采用曲线逼近和纱线图片分类两个实验,并与基本差分进化算法(ODE)和可再生动态差分进化算法(RDDE)在算法效率和性能进行对比、验证,说明算法的有效性。最后对整型和浮点型神经网络进行速度测试比较,说明整型权值神经网络在计算速度上远远快于浮点型权值神经网络。经算法训练后的神经网络更适合于结构精简、速度快的嵌入式系统。     

基于高阶神经网络扩展卡尔曼滤波器逆算法的非线性挠性结构的姿态控制

本文针对非线性挠性结构的姿态控制,提出了一种基于高阶神经网络及径向基函数网络（ＲＢＦＮ）相结合的网络模型,用于非线性挠性结构的动态系统辨识,以及基于卡尔曼滤波器（ＥＫＦ）逆算法的控制策略。针对神经网络辨识时的模型误差,提出了一种简单有效的补偿方法,给出了建模误差补偿与补偿时仿真结果。仿真得出,该方法具有收敛快,算法简单,并能有效消除建模误差等优点。     

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。