基于Memetic优化的智能DNA序列数据压缩算法

提出近似重复矢量(Approximate Repeat Vector,ARV)模型用于DNA序列冗余片段的描述.通过将数据生物信息学特征引入压缩预处理,并使用ARV矢量构造编码码本,提出了非对称DNA序列压缩算法BioLZMA-2.算法引入基于粒子群优化的Memetic改进方法CLIPSO-MA用于压缩码本的智能优化设计,有效提升了编码性能.在标准测试序列上的实验结果表明,BioLZMA-2可获得比现有DNA序列数据压缩方法更高的压缩率.     

基于多约束场景的BFO-ACO漫游路径规划

目前基于蚁群算法的路径规划用于多约束条件下寻找最优路径时,容易陷入局部最优解并导致收敛速度慢．为此,在路径长度、有效景点区域数量、路径平滑性和路径障碍距离等约束条件下,构造一种适应度函数模型,以评价漫游路径的质量．提出混合细菌觅食优化思想的改进蚁群优化（bacterial foraging optimization and ant colony optimization,BFO-ACO）算法,采用禁忌表优化策略解决传统蚁群算法的死锁问题,提高算法初期的路径多样性,通过引入细菌觅食算法的复制和驱散机制,提高收敛速度,跳出局部最优值．实验结果表明,BFO-ACO算法可在多约束环境下以较少的迭代次数获得高质量的漫游路径,为漫游路径设计提供了参考．     

一种基于目标空间转换权重求和的超多目标进化算法

权重求和是基于分解的超多目标进化算法中常用的方法, 相比其他方法具有计算简单、搜索效率高等优点, 但难以有效处理帕累托前沿面(Pareto optimal front, PF)为非凸型的问题. 为充分发挥权重求和方法的优势, 同时又能处理好PF为非凸型的问题, 本文提出了一种基于目标空间转换权重求和的超多目标进化算法, 简称NSGAIII-OSTWS. 该算法的核心是将各种问题的PF转换为凸型曲面, 再利用权重求和方法进行优化. 具体地, 首先利用预估PF的形状计算个体到预估PF的距离; 然后, 根据该距离值将个体映射到目标空间中预估凸型曲面与理想点之间的对应位置; 最后, 采用权重求和函数计算出映射后个体的适应值, 据此实现对问题的进化优化. 为验证NSGAIII-OSTWS的有效性, 将NSGAIII-OSTWS与7个NSGAIII的变体, 以及9个具有代表性的先进超多目标进化算法在WFG、DTLZ和LSMOP基准问题上进行对比, 实验结果表明NSGAIII-OSTWS具备明显的竞争性能.     

基于剪枝堆栈泛化的离线数据驱动进化优化

现实世界中存在很多目标函数的计算非常昂贵, 甚至目标函数难以建模的复杂优化问题. 常规优化方法在解决此类问题时要么无从入手, 要么效率低下. 离线数据驱动的进化优化方法不需对真实目标函数进行评估, 跳出了传统优化方法的固铚, 极大推动了昂贵优化问题和不可建模优化问题的求解. 但离线数据驱动进化优化的效果严重依赖于所采用代理模型的质量. 为提升离线数据驱动进化优化的性能, 提出了一个基于剪枝堆栈泛化(Stacked generalization, SG)代理模型构建方法. 具体而言, 一方面基于异构的基学习器建立初级模型池, 再采用学习方式对各初级模型进行组合, 以提升代理模型的通用性和准确率. 另一方面基于等级保护指标对初级模型进行剪枝, 在提高初级模型集成效率的同时进一步提升最终代理模型的准确率, 并更好地指导种群的搜索. 为验证所提方法的有效性, 与7个最新的离线数据驱动的进化优化算法在12个基准测试问题上进行对比, 实验结果表明所提出的方法具有明显的优势.     

基于帕累托前沿面曲率预估的超多目标进化算法

基于分解的超多目标进化算法是求解各类超多目标优化问题的主流方法, 其性能在很大程度上依赖于所采用参考向量与真实帕累托前沿面(Pareto front, PF)的匹配程度. 现有基于分解的超多目标进化算法尚难以同时有效处理各类PF不同的优化问题. 为此, 提出了一种基于PF曲率预估的超多目标进化算法(MaOEA-CE). 所提算法的核心包括两个方面, 首先基于对PF曲率的预估, 在每次迭代过程中生成不同的参考向量, 以渐进匹配不同类型问题的真实PF; 其次在环境选择过程中, 再基于预估的曲率选择合适的聚合函数对精英解进行挑选, 并对参考向量进行动态调整, 在维护种群多样性的同时提升种群的收敛性. 为验证MaOEA-CE的有效性, 将其与7个先进的超多目标算法在3个主流测试问题集DTLZ、WFG和MaF上进行对比, 实验结果表明MaOEA-CE具有明显的竞争力.     

优化场景视角下的进化多任务优化综述

随着优化问题变得日益复杂,传统的进化算法由于计算成本高昂和适用性有限而面临挑战。为了克服这些挑战,基于知识迁移的进化多任务优化(EMTO)算法应运而生,它的核心思想是通过跨任务的知识共享,同时解决多个优化问题,旨在提高进化算法在应对复杂优化场景的效率。全面总结了当前进化多任务优化研究的进展,与已有综述文章相比,从不同的研究视角进行深入探讨,并指出了现有文献中对优化场景视角分析的缺失。鉴于此,从优化问题的应用场景出发,对适用于进化多任务优化的场景及其基本解决策略进行了系统性的阐述,以帮助研究人员准确地根据具体应用需求选择合适的研究方法。此外,深入讨论进化多任务优化当前面临的挑战和未来的研究方向,旨在为未来的研究提供指导和启示。     

基于存档和权值扩展的大规模多目标优化算法

由于不同目标之间相互冲突且搜索空间巨大,现有大规模多目标优化算法的综合性能尚存在较大改进空间.为合理均衡算法的搜索效率与搜索质量,提升算法的综合性能,本文提出一种基于存档和权值扩展的大规模多目标优化算法(LSMOEA-AWE).该算法总体采用进化计算框架,基于大规模决策变量与小规模权值变量之间的问题转换进行求解.其核心...     

面向内涵式发展的操作系统课程建设

分析当前高校操作系统课程教学中存在的浅表化问题,提出面向内涵式发展的建设思路。依托美国麻省理工大学(MIT)的开源教学操作系统xv6,引入以其为实验开发沙盘系统的实验启发型教学方式,介绍以“全程紧张”为指导思想的教学实践,并说明教学效果。     

带约束小生境二进制粒子群优化的生物组学数据集成特征选择

针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。      

进化硬件研究进展

介绍进化硬件的思想和发展,指出在进化算法控制下,可重配置硬件自适应地改变自身结构满足当前环境变化,目前已用于电路设计、系统容错、自动控制、智能机器人和模式识别等领域.阐述进化硬件的原理及应用,评价和分析进化硬件存在问题,预测未来发展方向.