【摘 要】
：
在现实生活中,存在许多目标函数没有显式的数学表达式,不能使用数值仿真或物理实验,只能使用平时收集的数据评估候选解质量的离线数据驱动优化问题,如高炉优化问题等。研究如何有效地求解离线数据驱动优化问题具有重要的现实意义。离线数据驱动进化算法利用历史数据训练代理模型模拟目标函数,以此替代进化算法迭代过程中的真实适应度评估,使得传统的进化算法能够求解离线数据驱动优化问题。目前,离线数据驱动进化算法在代理模
论文部分内容阅读
在现实生活中,存在许多目标函数没有显式的数学表达式,不能使用数值仿真或物理实验,只能使用平时收集的数据评估候选解质量的离线数据驱动优化问题,如高炉优化问题等。研究如何有效地求解离线数据驱动优化问题具有重要的现实意义。离线数据驱动进化算法利用历史数据训练代理模型模拟目标函数,以此替代进化算法迭代过程中的真实适应度评估,使得传统的进化算法能够求解离线数据驱动优化问题。目前,离线数据驱动进化算法在代理模型的构建方面有待进一步研究。本学位论文从单目标和多目标两个方面研究离线数据驱动进化算法中代理模型的构建,降低单目标进化算法的时间成本,提高单目标进化算法和多目标进化算法的性能。主要研究内容和成果如下:提出了一种基于k折交叉的离线数据驱动单目标进化算法（DDEA-K）。DDEA-K使用k折交叉法构建代理模型,减小了模型的集成规模,降低了算法的时间成本;模型选择RBFN,通过分析隐含层神经元个数和核函数对算法性能的影响,确定了最佳的模型参数,提高了算法的性能。在20个测试问题上与两个经典算法对比,DDEA-K不但取得了18个最优结果,而且运行时间最短,验证了DDEA-K的有效性。把RBFN的参数移植到同类算法上,算法的性能得到了提升,表明这组参数具有一定的通用性。提出一种知识迁移和Bagging辅助的离线数据驱动多目标进化算法（DDEA-KB）。DDEA-KB参考知识迁移双层代理模型的构建方法,使用Bagging方法构建集成模型作为精确代理模型,提高了代理模型的精确性和可靠性,提高了算法的性能。在28个测试问题上与两个相关算法对比,DDEA-KB取得了19个最优的IGD指标,验证了DDEA-KB的有效性。提出了一种知识迁移和Stacking辅助的离线数据驱动多目标进化算法（DDEA-KS）。DDEA-KS在DDEA-KB的基础上,为了研究异质集成代理模型对算法性能的影响,使用Stacking方法构建异质集成模型替代DDEA-KB的精确代理模型。在28个测试问题上与两个相关算法对比,DDEA-KS取得了22个最优的IGD指标,验证了DDEA-KS的有效性。对Stacking方法中异质集成的有效性分析表明,与单类集成相比,异质集成部分有效,能够提高算法在单类集成时求解效果不佳的测试问题上的性能表现。
其他文献
得益于其广泛的应用场景,人脸属性编辑任务近来备受关注。但现有的人脸属性编辑算法很难精确地控制人脸属性,编辑结果存在着严重耦合。论文发现Style GAN2网络中存在着属性特定的控制单元,提出两种属性编辑算法操纵控制单元,实现了更加多样且精准的人脸属性编辑。为了编辑真实人脸,还提出了一种能维持隐编码的可编辑性,同时更准确地重建输入图片的反编码算法。首先,发现网络的中间特征和调制参数存在着明显的局部相
异常检测属于计算机视觉领域的基础研究之一,其目的在于构建模型发现与主体数据分布不同的异常值。由于实际中异常的多样性和稀缺性,异常样本通常难以获得,因此,异常检测常作为一个数据缺失的无监督式问题进行研究。近年来,基于深度学习的判别式算法是处理异常检测问题具有最先进水平的一类算法,本文将对这类算法进行研究,主要内容可以分为下面三个部分。与基于变换的自监督学习相结合的判别式算法是被广泛使用的一类异常检测
情感识别是实现人机交互中的重要一环,然而由于人类情感的模糊性,使得关于情感的研究一直进展缓慢。近年来,得益于深度学习的发展,研究者们利用深度神经网络强大的特征提取能力,来提取多个模态（如图像、音频和文本）的特征。但是由于天然的多模态数据是高度异构的,使得不同模态特征之间的信息交互难以被建模。本文从单个话语片段中的多模态融合问题出发,在传统自编码器模型的基础上,提出了新颖的多通路自编码器模型,通过多
人物交互关系检测是重要的视觉理解任务之一,在安防与无人商超领域有着非常多的应用。在人物交互关系检测任务中,全局上下文特征是十分重要的,采用基于Transformer的方法来进行人物交互关系检测能有效聚集全局上下文特征。但是现有的基于检测Transformer的人物交互关系检测器存在一些缺陷,它们会将实例检测与交互关系理解这两个人物交互关系检测的子任务捆绑在一起完成,导致无法有效地理解一些复杂的容易
风力发电作为一种绿色环保的发电方式,对实现全球碳中和至关重要。风场恶劣的天气条件会影响数据获取,导致数据出现缺失问题。缺失数据修复作为数据预处理的一环,旨在恢复数据的完整性,从而满足风机状态评估、发电量预测、异常预警等下游任务对数据完整性的要求。因此,如何对缺失数据进行修复具有重要的研究意义。首先,分析了多元时空数据缺失的机制和模式,点明了研究的两种缺失模式:单风机全部特征缺失和所有风机缺失相同特
面对新型冠状病毒疫情,保持安全社交距离是有效防控手段之一。而无人机可以在大场景中进行多角度观测,为疫情管控提供保障。据此,无人机视角下的行人社交距离监测作为研究背景,展开两大技术问题研究,即无人机视角下的行人检测及社交距离测量任务。针对无人机视角下的行人检测任务,从任务特性和难点进行分析,总结出:行人目标小且特征提取难;复杂大场景中精确定位难;行人与背景有效区分难。针对上述问题,高分辨率网络提升特
在经典机器学习问题中,一个重要假设是训练数据和测试数据服从独立同分布。但在很多场景中,训练数据和测试数据会存在分布偏移,域适应（迁移学习）是处理该问题的重要方法。域适应在情感脑机接口中,能够有效缓解用户间数据分布差异,提升情绪识别效果。为保护用户数据隐私,无源域情感计算也十分重要。本文针对域适应及其在情感脑机接口中的应用,展开相关算法研究工作。为提升传统域适应算法性能,本文提出一种融合特征子空间学
在科学和工程领域,存在着大量的没有显式优化函数,需要通过耗时的数值仿真或物理模拟来进行适应度评估的昂贵优化问题,如交通信号灯配时优化等。研究如何有效地求解昂贵优化问题具有重要的现实意义。代理模型辅助进化算法利用历史评估数据训练代理模型近似目标函数,以此替代耗时的实际评估,降低计算成本,加快优化过程。代理模型辅助进化算法凭借其良好的鲁棒性和快速性,已被广泛应用于求解昂贵优化问题。目前,代理模型辅助进
动态DNA折纸纳米结构具有刺激响应性和易于操作的特点,在生物传感和纳米机器人等领域有广泛应用前景。经典的动态DNA纳米结构调控策略中,常用DNA链置换反应来组装和拆解纳米结构。由于DNA链置换反应对DNA序列设计的正交性和准确性有严格要求,因而限制了动态DNA纳米结构的应用,开发更加灵活的DNA折纸纳米结构拆解调控策略有待进一步研究。本学位论文研究基于聚合酶链置换的DNA折纸拆解策略,使用DNA折
非线性偏微分方程建模是描述许多复杂系统以及工业生产过程不可或缺的方式。而数值仿真是建模计算的主要方式,当进行大规模数值仿真时,需要消耗大量的计算资源,因此需要考虑对系统进行降阶建模,以提高计算效率。目前分布参数系统降阶建模在工业设计、控制、优化、以及不确定性量化等领域的应用仍存在一些问题,因此如何对分布参数系统进行降阶建模具有重要的研究意义。本文以分布参数系统为研究对象,研究了分布参数系统的降阶建