联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题...联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-Ⅲ算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-Ⅲ联邦学习多目标优化算法GPNSGA-Ⅲ(Good Point Set Initialization NSGA-Ⅲ),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-Ⅲ算法得到的Pareto解的超体积值相较于NSGA-Ⅲ算法平均提升107%;Spacing值相较于NSGA-Ⅲ算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-Ⅲ算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。展开更多
为有效提高农业废弃物的利用率,将堆肥、秸秆等农业废弃物和黏土等拌制成一种抗旱促根的基质,研究水肥耦合效应对“爱吉3041”供试基质栽培番茄的株高、茎粗、产量、品质、水分利用效率(Water Use Efficiency,WUE)及肥料偏生产力(Partia...为有效提高农业废弃物的利用率,将堆肥、秸秆等农业废弃物和黏土等拌制成一种抗旱促根的基质,研究水肥耦合效应对“爱吉3041”供试基质栽培番茄的株高、茎粗、产量、品质、水分利用效率(Water Use Efficiency,WUE)及肥料偏生产力(Partial Factor Productivity of Fertilizer,PFP)的影响,以当地实际生产水肥施用量作为对照组CK,设置9组基质水肥耦合处理,3组滴灌水量W1(100%ET_(0),ET_(0)为参考作物蒸发蒸腾量)、W2(80%ET_(0))、W3(60%ET_(0))和3组施肥(N-P_(2)O_(5)-K_(2)O)水平F1(240-115-137 kg/hm^(2))、F2(180-88-121.2 kg/hm^(2))、F3(112-50-82 kg/hm^(2))共10组耦合处理,建立番茄产量、WUE、PFP及果实综合品质的多目标优化模型,采用遗传算法多目标优化法寻找模型的Pareto最优解。结果表明:与CK相比,基质对番茄的株高、茎粗、根系发育、产量、品质、WUE和PFP等影响显著,根质量、根长、根表面积分别增加了36.0%、6.27%、3.94%,可有效改善果蔬品质;利用VIKOR法对各处理的果实品质进行综合评价,基质栽培番茄果实风味品质和产量显著提高,W3F1处理下番茄风味品质及产量最佳,利益比率值最小;基于遗传算法多目标优化法表明基质栽培番茄的最佳灌溉施肥处理为W3F2,该处理下的最优产量为25.85 t/hm^(2),最优水分利用效率为13.77%,最优糖酸比为9.51,利益比率为0.357。研究可为农业废弃物高效利用及高品质果蔬的水肥科学管理提供理论依据。展开更多
文摘联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-Ⅲ算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-Ⅲ联邦学习多目标优化算法GPNSGA-Ⅲ(Good Point Set Initialization NSGA-Ⅲ),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-Ⅲ算法得到的Pareto解的超体积值相较于NSGA-Ⅲ算法平均提升107%;Spacing值相较于NSGA-Ⅲ算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-Ⅲ算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。
