题名 基于降维和聚类的大规模多目标自然计算方法
被引量：5
1
作者
季伟东 岳玉麒 王旭 林平
机构
哈尔滨师范大学计算机科学与信息工程学院 哈尔滨医科大学
出处
《系统仿真学报》
CAS
CSCD
北大核心
2023年第1期41-56,共16页
基金
国家自然科学基金(31971015) 黑龙江省自然科学基金(LH2021F037) +1 种基金 哈尔滨市科技局科技创新人才研究专项(2017RAQXJ050) 哈尔滨师范大学计算机科学与信息工程学院科研项目(JKYKYY202001)。
文摘
在多目标优化问题中,随着决策变量数目增多,算法的寻优能力会显著下降,针对这种“维数灾难”的问题,提出基于LLE降维思想和K-means聚类策略的大规模多目标自然计算方法。首先通过LLE降维思想对决策变量进行优化,得到高维变量在低维空间中的表示,再通过K-means策略对个体分组,为种群选择合适的引导个体,提高算法的收敛性和多样性。为验证算法有效性,将该方法应用于多目标粒子群优化算法和非支配排序遗传算法中,对收敛性进行了分析,证明该算法以概率1收敛。通过ZDT、DTLZ系列8个测试问题进行仿真试验,与6个代表性算法进行对比,通过PF、IGD指标、HV指标的评价结果验证其综合性能,并将其应用于水泵调度问题中。综合实验结果表明,所提方法具有较好性能。
关键词
降维 多目标优化 LLE 自然计算方法 K-MEANS
Keywords
dimension reduction multi-objective optimization locally linear embedding(LLE) natural computation K-means
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
题名 基于非线性降维的自然计算方法
被引量：3
2
作者
季伟东 孙小晴 林平 罗强 徐浩天
机构
哈尔滨师范大学计算机科学与信息工程学院 哈尔滨医科大学
出处
《电子与信息学报》
EI
CSCD
北大核心
2020年第8期1982-1989,共8页
基金
国家自然科学基金(31971015) 哈尔滨市科技局科技创新人才研究专项资助(2017RAQXJ050) 哈尔滨师范大学硕士研究生学术创新基金(HSDSSCX2019-08)。
文摘
随着人工智能的发展,许多优化问题发展为高维的大规模优化问题。在自然计算方法中,针对高维问题虽然能避免算法陷入局部最优,但是在收敛速度和时间可行性上却不占优势。该文在传统自然计算方法的基础上,提出了非线性降维的自然计算方法(NDR),该策略不依赖具体的算法,具有普适性。该方法将初始化的N个个体看做一个N行D列的矩阵,然后对矩阵的列向量求最大线性无关组,从而减少矩阵的冗余度,达到降低维度的目的。在此过程中,由于剩余的任意列向量组均可由最大线性无关组表示,所以通过对最大线性无关组施加一个随机系数来维持种群的多样性和完整性。将该文所提策略分别应用到标准遗传算法(GA)和粒子群优化算法(PSO)中,并与标准粒子群算法、遗传算法以及目前主流的对维数进行优化的4个算法对比,实验证明,改进的算法对大部分标准测试函数都具有很强的全局收敛能力,其寻优能力超过了上述6个算法,同时改进后的算法在运行时间上远优于对比算法。
关键词
自然计算方法 优化 降维 非线性
Keywords
Natural computing method Optimization Dimension reduction Nonlinearity
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
题名 基于LLE降维思想的自然计算方法
被引量：4
3
作者
张潞瑶 季伟东 程昊
机构
哈尔滨师范大学计算机科学与信息工程学院
出处
《系统仿真学报》
CAS
CSCD
北大核心
2020年第10期1943-1955,共13页
基金
国家自然科学基金(31971015) 哈尔滨市科技局科技创新人才研究专项(2017RAQXJ050)。
文摘
在自然计算方法中,高维问题的出现使现有一些优化算法虽然能够避免算法陷入局部最优,但是使得算法的性能变差、运行时间变长。在传统自然计算方法的基础上,提出基于LLE(Local Linear Embedding)算法的自然计算方法,通过对算法中邻居粒子k和维数d的取值进行分析,降维后使算法得到较好的寻优效果。在此过程中,将降维后的数据增加一个小偏置s来增加种群的多样性。将该策略分别应用于粒子群算法和遗传算法中,采用经典测试函数以及主流针对维数进行优化的4个算法来验证其性能。实验结果表明,改进的算法在求解精度和收敛速度上均有明显的提升。
关键词
高维 自然计算方法 LLE 降维
Keywords
high dimension natural calculation method LLE dimension reduction
分类号
TP301
[自动化与计算机技术—计算机系统结构]
题名 基于多元竞争淘汰的自然计算方法
4
作者
胡建暄 马宁 付伟 季伟东 刁衣非 刘聪 黄鑫宇
机构
哈尔滨师范大学计算机科学与信息工程学院
出处
《计算机应用研究》
CSCD
北大核心
2023年第8期2274-2280,共7页
基金
黑龙江省自然科学基金资助项目(LH2021F037) 黑龙江省高等教育教学改革项目(SJGY20200368) +3 种基金 哈尔滨市科技局科技创新人才研究专项项目(2017RAQXJ050) 哈尔滨师范大学博士科研启动基金资助项目(XKB201901) 哈尔滨师范大学计算机学院科研项目(JKYKYY202006) 哈尔滨师范大学研究生培养质量提升工程项目(HSDYJSJG2019006)。
文摘
在自然计算方法中,为解决高维数据优化问题,需提高种群规模以获得更高精度,但同时需要的时间复杂度较大,若种群规模降低又会因种群多样性不足导致算法陷入局部最优。为解决优化过程中种群规模难以平衡、算法收敛速度慢及易陷入局部最优等问题,提出一种基于多元竞争淘汰(multiple competitive elimination,MCE)策略的自然计算方法,其适用于各类优化算法,而不依赖于算法进化的具体步骤,具有普适性。首先将原始解空间划分为具有竞争关系的两类大空间,每类大空间中细化分解为N元小空间;然后在两类大空间中分别执行反向学习和混合变异两种不同的淘汰方法,淘汰较差个体;最后选取N元小空间的部分较优个体跨两类大空间进行竞争交换以保持整体种群的多样性,提高了算法收敛速度和收敛精度。将该策略分别应用到粒子群算法和遗传算法中,并与标准粒子群算法、遗传算法及目前较先进的改进群智能优化算法对比,利用高维经典测试函数验证其性能。实验结果表明,多元竞争淘汰改进算法较其他对比算法表现出了更好的寻优能力,具有普适性。
关键词
自然计算方法 高维 多元空间 反向学习 混合变异
Keywords
natural calculation method high dimensional multiple space reverse learning mixed variation
分类号
TP301
[自动化与计算机技术—计算机系统结构]
