【摘 要】
：
演化算法是计算智能领域的一个热门研究课题,它受达尔文适者生存原理中“优胜劣汰”的启发。借鉴大自然中生物的进化操作,能够有效地解决复杂优化问题。在现实世界中,很少有问题是独立存在的,受到人类多任务处理能力的启发,演化多任务优化（Evolutionary Multitasking,EMT）的概念被提出,演化多任务求解问题的思路是同时优化多个问题,旨在通过多个优化问题进行正向知识迁移,改善多个优化问题的
论文部分内容阅读
演化算法是计算智能领域的一个热门研究课题,它受达尔文适者生存原理中“优胜劣汰”的启发。借鉴大自然中生物的进化操作,能够有效地解决复杂优化问题。在现实世界中,很少有问题是独立存在的,受到人类多任务处理能力的启发,演化多任务优化（Evolutionary Multitasking,EMT）的概念被提出,演化多任务求解问题的思路是同时优化多个问题,旨在通过多个优化问题进行正向知识迁移,改善多个优化问题的收敛特性,提升优化效率。本文以提高任务优化性能为切入点,着手解决复杂优化问题,通过设计新的算法以及选取合适的迁移策略来促进任务之间的正向知识迁移,减少知识负迁移带来的影响。本文所做的研究工作如下。（1）提出代理模型辅助演化多任务优化的算法。虽然演化多任务优化算法能够在一定程度上提升问题的求解能力,但是它仍然存在一些不足:其一是并非所有的优化问题同时优化都能够相互促进,其二是并非所有相似性高的问题都能够相互促进。本文从优化任务相关性的角度出发,提出所以提出代理模型辅助演化多任务优化算法（Surrogate Assisted Multitasking Optimization,SAMTO）。SAMTO算法解决上述问题。通过实验表明了SAMTO算法在不仅在单任务优化问题,多任务优化问题两类测试函数中有优越的表现,而且在现实生活中的水库发电优化问题上性能显著。（2）提出全局代理模型和局部代理模型相结合的策略。为了满足不同阶段目标任务的搜索目的,本文采用全局代理模型和局部代理模型相结合的策略,全局代理模型全局代理模型保证在前期能搜索整个决策空间,加速目标任务收敛到全局最优解的位置。局部代理模型保证在后期精确搜索,以找到全局最优解。针对演化多任务优化算法在优化过程中可能会出现多样性损失的问题。引入代理模型自适应策略,每次迭代完成后将目标任务的实际最优解加入到代理模型样本点中,逐步确定问题的最优解。（3）提出子空间对齐策略和决策变量迁移策略。以上研究从任务关系角度提升优化能力,接下来从知识迁移的角度,通过子空间对齐策略以及决策变量迁移机制,提升目标任务之间的正向迁移能力。子空间对齐是为了缩小优化问题之间的差异性,即使是求解高维目标任务,通过降维,对齐的操作,也能够保留有效信息,筛除掉冗余无效的信息。而决策变量迁移机制则是通过改变决策变量的方向,使得优化问题的最优解位置一致,增加正向迁移的可能性。
其他文献
动作识别作为计算机视觉中非常重要的一部分,近年来在人们的日常生活中的重要性逐步提升,在安防领域、人机交互领域、游戏领域等都具有广泛的应用。虽然传统的基于视频的动作识别方法取得了不错的成果,但是基于人体骨架的动作识别方法具有更加准确、轻量、鲁棒的优势,因此研究人体骨架动作识别具有很高的科研价值和应用推广价值。近年来,越来越多的研究者将图卷积神经网络的方法应用在人体骨架动作识别研究方向上。其中基于时空
目标跟踪是计算机视觉的基本问题之一,在自动驾驶、无人机监控、智能交通控制、行为识别等众多实时视觉应用中发挥着重要作用。目标跟踪是在给定目标对象的初始状态下,估计视频图像序列中该目标轨迹的任务。在过去的几十年中这一领域得到了广泛的研究,到目前为止,由于训练数据的有限、遮挡、目标外观畸变和光照变化等困难,目标跟踪仍然是一个非常具有挑战性的任务。本文基于相关滤波对目标跟踪算法进行了研究,主要工作如下:（
噪声标签学习是机器学习领域中一个重要的研究方向。其作为一个与数据密切相关的基础问题,广泛地存在于人工智能的各个领域中,如分类问题、识别问题等。尤其是在深度学习时代,噪声标签问题的研究变得更为重要。深度学习的成功依赖于大规模人工标注标签的数据库,但构建大规模人工标注数据库的成本极其昂贵且非常耗时。低成本、耗时短的替代方法,如互联网爬虫技术等,但不幸的是这种方法获取到的数据集不可避免的含有大量噪声标签
现实世界中存在许多约束多目标优化问题,如产品设计中,在考虑最低成本和最大经济效益两个目标的同时还有交货时间的限制。近年来,进化算法在约束优化领域取得了很多好的研究成果,已经成为研究约束多目标优化问题的主流方向,其中差分进化算法（DE）是最典型的进化算法之一。但是,随着目标函数的增多和约束条件的复杂,现有的约束多目标进化算法存在多样性较差、收敛过慢及计算资源浪费严重等缺陷,因此,亟需设计高效且实用的
随着人工智能的快速发展,人们要求室内机器人能够在更大的场景下执行更加复杂的任务,如自主取物、自主行走等。这就要求室内机器人同时具备定位、感知环境和理解环境的能力。视觉语义同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术作为机器人技术领域的重要分支,担任着机器人定位、感知外部环境以及理解场景的重要角色。点云地图作为常见的视觉语义SLAM技术的
随着云计算技术的蓬勃发展,目前有越来越多的传统行业选择将自身业务迁移到云平台上,借助云平台强大的计算和存储资源来提高工作效率,形成了各种社区云平台,医疗云就是其中一种社区云平台。借助医疗云平台,可以对各医疗机构拥有的医疗资源进行整合,以提高总体医疗资源的利用效率。但普通的医疗云平台通常在数据上云前的存储、上云时的传输、在云端的治理与存储以及数据使用时的传输等四个方面存在较大的安全隐患。针对这些安全
图像是人类获取信息的重要来源,在人们的日常生活中占有重要地位。由于图像种类复杂且数量庞大,对图像分析与分类的要求越来越高。学习图像的低秩判别特征是分类的基础,并且已经有很多方法致力于解决这个问题,但仍存在一些因素影响特征质量,比如,噪声影响,秩约束的不准确逼近,学习到特征空间与原始空间局部拓扑联系不够密切,特征提取与后续分类任务独立进行等。课题以表示学习为基础,以提高分类精度为目的,将表示学习融入
随着互联网技术的迅速发展,生活中各个领域经常遇到海量的高维数据,这些数据中包含大量的噪声和不相关的、冗余的特征,在分析这些数据时不仅会显著增加算法的推理时间,还会严重降低模型的性能。由于特征选择可以保留原始特征的物理意义,使得模型可解释性更强,因此被广泛的研究和应用于维数约减技术中。目前已有的特征选择方法利用矩阵分解、稀疏回归等不同的学习策略来提升模型的整体性能,均取得了不错的成果,但是在局部流形
投票活动是人民群众表达个人意愿,决定事情发展走向的重要手段,匿名投票的优势在于它可以在发扬民主的同时很好的保护选民的个人隐私,故此受到普罗大众的赞同和认可。随着云计算的兴起,将计票中心在第三方云平台上部署已经成为当今时代的普遍做法,但是第三方云平台的可信程度和安全程度却难以得到保证,恶意敌手可能在计票过程中窃取到用户的隐私数据,即便把计票中心部署在本地,也难以从根本上避免选民隐私泄露的问题。以往基
在各类图像中,人脸图像具有重要的地位,很多关于人脸图像的相关技术已经被应用到实际生活中。然而,人脸图像在其生命周期中可能会遭受各种各样的退化,比如,噪声、模糊、压缩伪影、颜色丢失、低分辨率等。这导致图像中信息的流失,既直接影响对人脸图像的欣赏,又间接影响诸如人脸检测、人脸识别等下游应用的表现。因此,对遭受多种退化的人脸图像进行修复不仅具有重要的人文意义,也具有重要的应用意义。在对图像及人脸图像进行