进化策略

摘要： 神经网络在连续学习多个任务时,随着学习任务数的增多,学习能力降低,之前学会的知识被覆盖产生灾难性遗忘。针对这一问题,提出了一种结合HAT与生成对抗学习(GAL)的HAT-GAL模型。将GAL嵌入HAT网络全连接层中,解决网络随任务数增多学习能力降低以及对多姿态数据鲁棒性差的问题。同时,结合进化策略进行网络参数寻优,有效缓解参数冗余,易陷入局部最优导致的遗忘问题。实验结果表明,改进的HAT-GAL模型对多姿态数据具有很好的普适性,并且连续学习多个任务后学习能力不下降,遗忘率较小。

摘要： 针对监督分类中的特征选择问题,提出一种基于量子进化算法的包装式特征选择方法.首先分析了现有子集评价方法存在过度偏好分类精度的缺点,进而提出基于固定阈值和统计检验的两种子集评价方法.然后改进了量子进化算法的进化策略,即将整个进化过程分为两个阶段,分别选用个体极值和全局极值作为种群的进化目标.在此基础上,按照包装式特征选择遵循的一般框架设计了特征选择算法.最后,通过15个UCI数据集分别验证了子集评价方法和进化策略的有效性,以及新方法相较于其它6种特征选择方法的优越性.结果表明,新方法在80%以上的数据集上取得相似甚至更好的分类精度,在86.67%的数据集上选择了特征个数更小的子集.

摘要： 深度强化学习是目前机器学习领域中重要的研究分支之一,它可以通过直接与环境进行交互实现端到端的学习,对高维度和大规模的问题有着很好的解决能力.虽然深度强化学习已经取得了瞩目的成果,但其仍面临着对环境探索能力不足、鲁棒性差、容易受到由欺骗性奖励导致的欺骗性梯度影响等问题.进化算法普遍具有较好的全局搜索能力、良好的鲁棒性和并行性等优点,因此将进化算法与深度强化学习结合用于弥补深度强化学习不足的方法成为了当前研究的热点.该文主要关注进化算法在无模型的深度强化学习方法中的应用,首先简单介绍了进化算法和强化学习基本方法,之后详细阐述了两类结合进化算法的强化学习方法,分别是进化算法引导策略搜索的强化学习和结合进化算法的深度强化学习,同时对这些方法进行了对比与分析,最后对该领域的研究重点和发展趋势进行了探究.

摘要： 准确预测便利店的商品销量是库存管理的重要依据,稳健的库存能够有效避免缺货和积压带来的经济损失。目前连锁便利店各门店的每日订货依靠店长的经验以及针对某些SKU(Stock Keeping Unit)的企业统一策略。通过构建门店-SKU粒度的日销量时间序列,并引入外部信息作为协变量输入LSTM网络,对每个模型通过CMAES独立调参后进行预测。实验结果表明,对某连锁便利店300家门店近2年的销售数据进行预测,该方法在准确性和稳定性较现有方法均取得了显著的提升。

摘要： 协方差自适应进化策略(covariance matrix adaptation-evolution strategy,CMA-ES)作为一种并行搜索算法,可以很好地处理病态条件下高维复杂问题,针对求解过程中存在着局部搜索能力弱、易于陷入局部最优、收敛速度不够快等问题,提出了一种融合于随机因子的协方差自适应进化策略(random-factor CMA-ES,RFCMA-ES),在更新步长方向上引入第三方随机项,更好地保持协方差沿梯度下降的速度,加强了算法的搜索能力,克服了传统迭代公式中根据种群寻优和个体解更新过程中易陷入局部最优的现象.使用改进算法在6个多维多峰测试函数上进行200次重复实验寻优,结果表明:RFCMA-ES的全局寻优能力更强,收敛速度较原始算法平均提高了36.256%,且在寻优过程中也具有更强的稳定性.

摘要： 为了准确、可靠地识别光伏模型参数,提出一种改进回溯搜索算法(MBSA).该算法首先通过选取部分种群个体同时学习当前种群和历史种群信息,而其他个体向当前种群中最优个体学习并远离最差解,从而保持种群多样性并提高收敛速度;然后,通过概率来量化总体中的个体性能,进而每个个体基于概率自适应地选择不同的进化策略来平衡探索和开发能力;最后,采用基于混沌局部搜索的精英策略来进一步提高种群的质量.所提算法在单二极管、双二极管和光伏模块等不同的光伏模型上进行仿真实验.实验结果表明,所提出的策略极大提升了回溯搜索算法(BSA)的收敛速度和参数识别的准确性.将所提算法与逻辑混沌JAYA(LCJAYA)算法和多重学习回溯搜索算法(MLBSA)等八种先进的算法进行对比,结果表明,所提出算法参数识别的鲁棒性在对比算法中最优,在单、双二极管模型上的识别准确性明显优于JAYA、LCJAYA、改进的JAYA优化(IJAYA)和基于教学的优化(TLBO)算法,在光伏模块模型上的识别准确性明显优于MLBSA、JAYA、IJAYA和TLBO算法.在不同光照条件和不同温度下采用厂商真实数据对薄膜、单晶和多晶三种光伏组件进行的实际测试中,所提算法的预测结果与实测情况一致.仿真结果表明,所提算法能够精确稳定地识别光伏模型参数.

摘要： 针对传统多目标优化算法在求解Pareto解集时存在全局搜索能力与局部寻优能力无法得到有效平衡的问题,提出了一种基于多邻居结构的自适应元胞差分算法.该算法在保留传统元胞差分算法进化特点的基础上,使用更加丰富的多邻居结构替换原有的单一邻居结构,并且依据相应元胞个体的性能优劣来对其邻居结构进行选择分配.同时,面对进化过程中的复杂性能需求,算法定义了一种周期性变化的变异策略来实现不同进化阶段的自适应调节.最后,利用DTLZ系列测试函数对算法性能进行测试,并通过与四种经典的多目标优化算法相比较,证明了改进后的算法拥有更好的收敛性与分布性.

摘要： 网络的爆炸式发展产生了海量的图像,图像标签的错误和缺失比较常见,图像分类研究很有必要。CNN池化能够提取到输入矩阵的重要特征,降低数据的维度。进化策略是模仿生物"优胜劣汰"进化方式的一种启发式算法,能快速找到问题的解。本文基于CNN池化提取一组有正确标签的图像的特征,搭建层数为3的神经网络,进化策略优化初始权重,通过训练集训练分类模型,通过测试集来验证模型的优劣,并使最终的模型实现对未知类别图像的高效分类。实例验证阶段收集10类100张犬类图片,按照各研发步骤进行实验,算法结果验证了进化策略优化权重的必要及神经网络模型的高效。

摘要： 蜘蛛是一类古老的生物,比恐龙早出现一亿五千万年,成功的进化策略使其在水、陆、空广泛分布,是生物圈中物种数量最多的动物之一。蜘蛛具有极高的研究价值和应用价值。作为环境生态平衡的重要环节,蜘蛛可应用于农业虫害的生物防治;蛛体可入药,自古有治疗某些疾病的记载;蛛毒含有多种功效成分,据现有研究资料推算。

摘要： 网络的爆炸式发展产生了海量的图像,图像标签的错误和缺失比较常见,图像分类研究很有必要.CNN池化能够提取到输入矩阵的重要特征,降低数据的维度.进化策略是模仿生物"优胜劣汰"进化方式的一种启发式算法,能快速找到问题的解.本文基于CNN池化提取一组有正确标签的图像的特征,搭建层数为3的神经网络,进化策略优化初始权重,通过训练集训练分类模型,通过测试集来验证模型的优劣,并使最终的模型实现对未知类别图像的高效分类.实例验证阶段收集10类100张犬类图片,按照各研发步骤进行实验,算法结果验证了进化策略优化权重的必要及神经网络模型的高效.

摘要： 提出了一种用于多用户OFDM系统的资源分配算法(ESFC),能以低复杂度完成用户间的子载波、比特及功率分配,达到快速优化系统发射功率的目的。算法同时考虑到动态业务的实时性和用户间的公平竞争性,将系统资源分配问题转化为数学模型的多约束优化求解问题。资源分配过程分为两个步骤,包括基于进化策略进行子载波分配和使用注水算法进行比特及功率分配。仿真结果表明,该算法与现有算法相比能有效降低复杂度,在优化OFDM系统性能的同时兼顾了实时性需求,明显减少了运算量,能快速收敛到优化解。

摘要： 传统进化策略在进化过程中采用全基因变异，收敛缓慢，效率不高，而采用单基因或者双基因变异，容易陷入局部极值。针对这些问题，本文研究了多基因变异的改进进化策略，并给出了仿真结果，大大提高了该算法在处理多极值点问题时的有效性。

摘要： 针对connor O' 模型考虑因素比较多，确定参数困难，从而限制其在水环境中应用的弊端，本文提出一种用来估计该模型参数的进化策略优化算法。进化策略的并行搜索和全局收敛的特性使其能快速、准确的求出模型的参数。数值结果表明该算法获得了比网格法、单纯形法和遗传算法更高精度的参数值，从而为该模型在水环境中应用铺平了道路。

摘要： 近年来，应用遗传算法来降低辐射声功率已经广泛应用到噪声和振动的优化领域。本文将加筋位置和取向作为离散设计变量处理，以某一频段内的平均辐射声功率作为适应性函数，采用进化策略对加筋板进行声辐射优化。

摘要： 对于联立方程这样具有多个优化解的问题,一般希望同时得到多个优化解.利用免疫算法可以解决这样的问题.但是不同的免疫算法参数应该优化设置.进化策略的群体中的个体都是独立进化的,个体进化主要通过变异算子完成,所以使用进化策略可以缩短搜索时间.利用小生境进化策略作为元算法解决免疫算法参数优化问题.利用联立非线性方程问题验证并与一般算法得到的结果相比较,结果表明,所提出的方法性能优于没有经过参数优化的方法.

摘要： 针对柔性车间调度问题的特点，采用基于工序排序和机器分配的粒子编码方式，提出了一种基于POX和RPX交叉算子的改进粒子群优化算法，通过合理设计染色体编码方式和进化策略，避免非法解的出现以提高求解效率；同时引入改进的模拟退火算法以增强离散粒子群算法的邻域搜索能力，实现全局搜索和局部搜索能力的有效平衡。通过算例仿真和某电声企业纸盆车间调度实例应用，验证了该算法的有效性和可行性。

摘要： 本文在介绍了进化算法的基本原理的基础上，分别对遗传法、进化规划、进化策略、遗传编程的不同方面进行了特点的研究，然后从编码策略，选择方式，遗传算子等在不同算法的操作过程中所具有的不同点与侧重点，以及对性能可能带来的影响进行了对比分析;最后讨论了进化算法中最主要的两种操作算子：变异操作和交叉操作各自的优缺点。

摘要： 针对回声状态网络在作为机器人控制器进行路径规划时无法进行监督学习的问题，利用(μ+λ)-ES进化策略对回声状态网络的输出权进行优化设计，提出了一种基于(μ+λ)-ES进化策略的回声状态网络路径规划算法，变异操作采用高斯变异，交叉采用加权平均交叉，选择操作采用(μ+λ)选择方法。仿真结果表明，在动态环境中基于回声状态网络的路径规划方法比前馈神经网络方法具有更好的适应性。

摘要： 提出了基于混合连续蚁群(HCACO)的最优潮流(OPF)计算方法；该方法将蚁群优化算法(ACO)的正反馈特性与实数遗传算法(GA)的进化策略相结合，克服了基本蚁群算法只适用于离散问题的局限性，并提高了寻优的效率，同时采用动态调整罚函数策略，有效提高了算法的全局收敛能力和计算精度，采用优进策略，提高了算法的收敛速度。应用此算法对标准IEEE-30节点测试系统进行最优潮流计算，并与进化规划和粒子群算法进行了比较，仿真结果表明，该算法能够更好地获得全局最优解，结果表明了该算法的合理性和有效性。

摘要： 从无功优化的定义、分类、控制变量及数学模型等方面剖析了现代电网无功优化配置的内在机理。讨论了无功优化软件建设的构架、模块、程序流程及其所采用的两种实用化优化算法，分析其工程应用中优化效果不佳的一些原因，并建议了相应的解决方法。最后，指出了无功优化对在线自动电压控制（AVC）的支持作用。

摘要： 一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法，包括以下步骤：在差分进化算法框架下，采用Rosetta Score3粗粒度知识能量模型来降低构象空间维数；将进化种群依相似度划分为多个子种群，子种群之间协同进化，可以提高种群个体多样性；进化过程被划分为三个阶段，在不同的阶段采用不同的变异交叉策略，可以避免早熟收敛问题；结合差分进化算法较强的全局搜索能力，可以对构象空间进行有效的采样，搜索得到较高精度的近天然态构象。本发明基于差分进化算法，提出一种构象空间搜索维数较低、收敛速度较快、预测精度较高的基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法。

摘要： 基于快速协方差矩阵自适应进化策略(Fast Covariance Matrix Adaptation EvolutionStrategy,Fast CMA‑ES)的曲线型逆向光刻(Inverse Lithography,IL)方法。所述方法采用像素表征掩模图形，每个像素代表该位置的掩模透过率。以不同曝光剂量偏差和离焦量条件下光刻胶图形与目标图形之间的图形误差的加权叠加作为评价函数，采用快速协方差矩阵自适应进化策略优化掩模图形。本方法将表征解空间分布的协方差矩阵近似为仅由两个演化路径构成的简单模型的集合，借助协方差矩阵的低秩近似来学习主要的解搜索方向和变量相关性，自适应地调整搜索步长，提高了收敛效率及寻优能力，有效提高了光刻成像质量及工艺鲁棒性。

摘要： 本发明公开了一种基于协方差矩阵自适应进化策略算法的光源掩模优化方法，采用像素表征光源及掩模图形，以光刻胶图形与目标图形之间的图形误差作为评价函数，预先设置一定数量的位置待定的光源点，采用CMA‑ES算法优化这些预设光源点的位置分布与掩模图形。本发明利用了最优光源的分布稀疏性，通过预先设置光源点数量，减少了光源优化阶段的优化变量维数。同时，在最优解搜索过程中自适应地调整搜索空间及搜索步长，提高了优化效率及寻优能力，有效提高了成像质量。

摘要： 本发明公开了一种基于进化策略的多模态生物特征融合的身份识别方法，该方法具体步骤如下：首先采集人脸、静态手型和掌纹三个生物特征的图像数据，分别对提取的每个生物特征进行特征提取和采用最近邻分类器进行特征认证；然后利用进化策略对各分类器的权值进行自适应调整；最后利用自适应调整后的权值，对人脸、静态手型和掌纹三个生物特征所对应的三个分类器输出的识别结果进行加权融合，得到最终的识别结果。本发明利用进化策略来对权值进行自适应的调整，在决策层上通过加权法融合多生物特征的分类器，减少周围环境对识别结果的影响程度，使得识别方法的安全性和适应性都相比其他融合方法有了很大的提高，也提高了识别方法的容错性。

摘要： 一种基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法，包括以下步骤：在差分进化算法框架下，采用Rosetta Score3粗粒度知识能量模型来降低构象空间维数；将进化种群依相似度划分为多个子种群，子种群之间协同进化，可以提高种群个体多样性；进化过程被划分为三个阶段，在不同的阶段采用不同的变异交叉策略，可以避免早熟收敛问题；结合差分进化算法较强的全局搜索能力，可以对构象空间进行有效的采样，搜索得到较高精度的近天然态构象。本发明基于差分进化算法，提出一种构象空间搜索维数较低、收敛速度较快、预测精度较高的基于多阶段子群协同进化策略的差分进化蛋白质结构从头预测方法。

摘要： 本发明提供一种基于进化策略的神经网络架构搜索的图像分类方法，简化神经网络架构搜索过程，采用基于块和单元的搜索空间以及基于EA的搜索策略构建图像分类任务上的神经网络架构搜索模型；在超网共享参数的基础上，建立分类代理模型来辅助选择性能好的神经网络模型，无需对每个神经网络进行训练，便能实现神经网络模型的选择工作；代理模型的可靠性的评估，保证了模型的分类准确率，从而有利于保留性能更好的输出图像分类架构；既节省了训练模型的时间和资源消耗，又简化了传统的评估和非支配排序选择过程，降低人工干预的基础上，实现复杂图像分类神经网络架构自动化设计以提高图像分类准确率。

摘要： 一种基于自适应协方差矩阵进化策略的边缘云协同任务卸载方法，属于物联网领域，针对社区智能终端的MEC计算卸载场景，本发明将计算卸载模型建模为一个端‑MEC‑云架构的三层计算卸载模型。解决了现有技术中仅靠边缘服务器的计算能力难以满足所有终端设备对于高效计算、低时延的需求问题。为了尽量满足所有用户的计算需求，本发明在边缘服务器与云服务器中使用短作业优先的任务计算方法，并同时针对卸载任务的时延与能耗进行联合优化。实验结果表明，与其他启发式算法相比，本发明提出的算法在三层移动边缘计算架构的计算卸载中拥有更好的性能表现。

摘要： 本发明公开了一种基于自引导进化策略的自动化数据增强方法，首先将自动化数据增强问题建模为数据增强策略的最优化搜索问题，然后定义并设计策略向量与数据增强策略的映射转换关系，最后利用自引导进化策略迭代搜索出最优的数据增强策略。本发明相比于以前方法，能够取得更好的深度学习模型预测性能。本发明不仅支持图片数据的数据增强任务，而且支持了音频和文本等媒体数据的数据增强任务。

摘要： 本发明提供了一种基于局部搜索和种群增强进化策略的网络关键节点识别方法，属于组合优化技术领域。该方法采用启发式搜索方法对网络图进行搜索，采用贪婪法则初始化解集池过程；随机选取两个解进行交叉过程；之后进行提升过程；最后更新解集池，从交叉过程开始循环直到达到终止条件。本发明加入了初始化解集池和交叉策略，提高了解的多样性；针对单纯文化基因算法可能出现的迭代冗余过多的问题，将原有的基准值依次递减重新求解的方法改为只初始化一次解集池，减少冗余；同时在提升过程中加入割点策略，加快了运算速度。针对可能出现的种群趋同现象，以种群中节点的重复度为依据，使用若干个随机解替换掉种群中最差的解，提高了种群中解的多样性。

摘要： 基于快速协方差矩阵自适应进化策略(Fast Covariance Matrix Adaptation EvolutionStrategy,Fast CMA‑ES)的曲线型逆向光刻(Inverse Lithography,IL)方法。所述方法采用像素表征掩模图形，每个像素代表该位置的掩模透过率。以不同曝光剂量偏差和离焦量条件下光刻胶图形与目标图形之间的图形误差的加权叠加作为评价函数，采用快速协方差矩阵自适应进化策略优化掩模图形。本方法将表征解空间分布的协方差矩阵近似为仅由两个演化路径构成的简单模型的集合，借助协方差矩阵的低秩近似来学习主要的解搜索方向和变量相关性，自适应地调整搜索步长，提高了收敛效率及寻优能力，有效提高了光刻成像质量及工艺鲁棒性。