考虑负效应的垃圾回收两级选址-路径模型与算法

针对生活垃圾中转站和焚烧站的选址-路径问题（LRP）,考虑经济目标和垃圾设施的负面影响,设计了与风向和距离有关的负效应分段函数,构建了两级多目标选址-路径（2E-MOLRP）模型,并提出了鲸鱼优化算法（WOA）和模拟退火（SA）算法结合的非支配算法WOA-SA。首先,结合随机方法与Clarke和Wright(CW)节约算法优化初始种群;其次,采用非线性动态惯性权重系数调整收敛速度;然后,设计WOA-SA的并行结构来增强全局搜索能力;最后,使用非支配排序法得到帕累托解集。对Prins和Barreto等35个基准案例以及天津市模拟案例进行分析。结果表明,WOA-SA可以找到20个基准案例的已知最优解（BKS）,且对Prins和Barreto案例的求解结果与BSK差距的平均值分别为0.37%和0.08%,具有很好的收敛性和稳定性。将所提模型和算法应用于实例,给决策者提供了三种不同方案的负效应值及经济成本的方案,以支持不同偏好决策者选择,从而减少垃圾回收物流成本和设施对环境的负面影响。     

基于历史数据和多目标优化的测试用例排序方法

针对如何提高测试用例序列的揭错效率和回归测试效益问题,提出一种基于历史数据和多目标优化的测试用例排序方法。首先,根据测试用例的文本主题相似性和代码覆盖相似性对测试用例集进行聚类,并根据历史执行信息对测试用例间的执行失败关系进行关联规则挖掘,从而为后续过程做准备;然后,利用多目标优化算法对每个类簇内的测试用例进行排序,在此之后生成最终排序序列,使相似的测试用例分隔开;最后,利用测试用例间的关联规则,动态调整测试用例执行次序,从而使可能失败的测试用例优先执行,以进一步提高缺陷检测效率。与随机排序方法、基于聚类的排序方法、基于主题模型的排序方法、基于关联规则和多目标优化的排序方法相比,所提方法的平均故障检测率（APFD）平均值分别提高了12.59%、5.98%、3.01%和2.95%,基于成本的平均故障检测率（APFDc）平均值分别提高了17.17%、5.04%、5.08%和8.21%。实验结果表明,所提方法能有效提高回归测试效益。     

具有反馈控制的多自主体系统迭代学习输出一致性

为改进多自主体系统的学习过程并提高系统对外部干扰的鲁棒性,提出一种具有反馈控制的迭代学习一致性控制算法。首先,自主体之间通过共享控制输入信息以改进其学习过程,并且当系统外部存在非迭代重复干扰时,通过设计反馈控制器以提高系统的鲁棒性;然后,使用压缩映射的方法对系统一致性进行分析,并严格推导出算法的收敛条件;最后,通过仿真实验验证了算法的正确性和有效性,改进后的算法与P型算法相比有更高的收敛速度,且在存在外部干扰时有更平滑的收敛曲线。     

基于引导Minimax-DDQN的无人机空战机动决策

针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测,以及作战胜率不高的问题,设计了一种引导Minimax-DDQN(Minimax-Double Deep Q-Network)算法。首先,在Minimax决策方法的基础上提出了一种引导式策略探索机制;然后,结合引导Minimax策略,以提升Q网络更新效率为出发点设计了一种DDQN(Double Deep Q-Network)算法;最后,提出进阶式三阶段的网络训练方法,通过不同决策模型间的对抗训练,获取更为优化的决策模型。实验结果表明,相较于Minimax-DQN(Minimax-DQN)、Minimax-DDQN等算法,所提算法追击直线目标的成功率提升了14%～60%,并且与DDQN算法的对抗胜率不低于60%。可见,与DDQN、Minimax-DDQN等算法相比,所提算法在高对抗的作战环境中具有更强的决策能力,适应性更好。     

基于改进YOLOv5s电动车头盔的自动检测与识别

针对目前电动车头盔小目标检测的精度低、鲁棒性差,相关系统不完善等问题,提出了基于改进YOLOv5s的电动车头盔检测算法。所提算法引入卷积块注意力模块（CBAM）和协调注意力（CA）模块,采用改进的非极大值抑制（NMS）,即DIoU-NMS(Distance Intersection over Union-Non Maximum Suppression);同时增加多尺度特征融合检测,并结合密集连接网络改善特征提取效果;最后,建立了电动车驾驶人头盔检测系统。在自建的电动车头盔佩戴数据集上,当交并比（IoU）为0.5时,所提算法的平均精度均值（mAP）比原始YOLOv5s提升了7.1个百分点,召回率（Recall）提升了1.6个百分点。实验结果表明,所提改进的YOLOv5s算法更能满足在实际情况中对电动车及驾驶员头盔的检测精度要求,一定程度上降低了电动车交通事故的发生率。     

基于视图互信息加权的多视图集成聚类算法

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类（MEC-VMIW）算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。     

基于动态反向学习和莱维飞行的双搜索模式萤火虫算法

针对多目标萤火虫算法在解决复杂多目标问题时存在收敛性差和分布性不足的问题,提出了基于动态反向学习和莱维飞行的双搜索模式萤火虫算法(MOFA-LR)。该算法通过比较任意一只萤火虫与种群中其余萤火虫的适应度值,判断它们之间的支配关系,根据不同的支配关系选择不同的搜索模式。当萤火虫被支配时,应注重向帕累托前沿上的优质解靠近,因此通过动态反向学习策略求出当前个体的反向解,使用反向解结合全局最优解共同引导萤火虫移动的搜索模式,能够发掘潜在的较好解,使萤火虫最大可能地向有利方向移动,改善了算法的收敛性;当萤火虫不被支配时,应注重获得均匀分布的帕累托前沿,因此使用全局最优解引导萤火虫飞行并结合莱维扰动的搜索模式,既能有效利用非支配解的优良信息,又能避免算法陷入停滞,在改善算法收敛性的同时维护了分布性。最后,为避免算法在迭代后期出现萤火虫严重聚集的现象,添加变异算子帮助种群跳出局部最优,引导种群进行局部开采。将MOFA-LR与12种新近多目标优化算法进行比较,实验结果表明,MOFA-LR具有良好的收敛性和分布性,证明了所提策略的有效性。     

基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。     

融合指标分组的高维混合多目标进化优化

高维混合多目标优化问题因包含多个不同类型指标,目前尚缺乏有效求解该问题的进化优化方法。提出一种基于目标分组的高维混合多目标并行进化优化方法。采用深度学习神经网络预测种群隐式性能指标;基于指标相关性,将高维混合多目标优化问题分解为若干子优化问题;采用多种群并行进化算法,求解分解后的每一子优化问题,并基于各子种群的非被占优解构建外部保存集;采用聚合函数对外部保存集个体进一步优化,得到Pareto最优解集。在室内布局优化问题中验证所提方法,实验结果表明,所提方法的Pareto最优解在收敛性、分布性以及延展性等方面均优于对比方法。     

基于知识图谱的中成药智能问答平台构建

近年来,中成药的使用和生产规模不断增大,产生了越来越多的中成药数据,中成药的普及与发展是一关键性问题。本项目结合知识图谱和多标签文本分类与命名实体识别的自然语言处理、语音识别等智能问答技术搭建中成药智能问答平台。在用户文本提问或语音提问后,平台会根据提问在海量中成药信息中迅速准确地查询相关中成药信息,并呈现相关中成药的知识图谱辅助用户理解。知识图谱可以将中成药很好的存储起来,智能问答可以帮助用户了解中成药,使用知识图谱结合智能问答技术对中成药普及与发展具有一定的意义。