【摘 要】
:
膜计算(Membrane Computing)作为自然计算领域的其中一员,它是有别于传统计算体系的一类受生物细胞行为活动及功能启发的计算模型。膜计算的计算模型称为P系统(P system),作为一种分布式的并行计算模型,其算力对比传统计算模型有显著的优势,因而近些年逐渐受到广泛关注。膜进化算法MEA(Membrane Evolutionary Algorithm)是一种受膜计算以及生物细胞启发而提
论文部分内容阅读
膜计算(Membrane Computing)作为自然计算领域的其中一员,它是有别于传统计算体系的一类受生物细胞行为活动及功能启发的计算模型。膜计算的计算模型称为P系统(P system),作为一种分布式的并行计算模型,其算力对比传统计算模型有显著的优势,因而近些年逐渐受到广泛关注。膜进化算法MEA(Membrane Evolutionary Algorithm)是一种受膜计算以及生物细胞启发而提出的算法,其自身具备算子使得进化不依赖其他启发式算法,现已成为众多学者的研究方向。图着色问题GCP(Graph Coloring Problem)是一个著名的NP难问题,同时因其在图论史上也是一个著名的组合优化问题而一直受到广泛讨论。由于GCP的复杂性,设计求解效率高且解质量好的算法一直是学界研究的方向,其中强化学习策略的引入对图着色问题的研究起到了重要作用,基于强化学习的图着色算法在求解精度和稳定性上表现优秀,近年来受到广泛研究。本文基于以上两点展开相关研究,致力于提升图着色算法的效率和稳定性,并探索膜进化算法应用于图着色问题领域求解的可行性。本文主要的研究工作如下:(1)提出了一种基于强化学习的双重混合进化算法PLHEAD(probability learning based hybrid evolutionary algorithm in duet),在混合进化算法框架下引入强化学习策略,使得求解效率和质量得到了优化。在实验用到的31个数据集中,达到目前较优着色数的实例有26个,占总体实验数据集的84%。其中对于le450_15c和le450_15d两个实例的最优解求解成功率分别提升了95%和90%。(2)将PLHEAD与膜进化算法相结合应用于图着色问题求解,提出了解决图着色问题的膜进化算法MEAGCP(Membrane Evolutionary Algorithm for Graph Coloring Problem)。本文为该算法设计了针对图着色问题的进化的算子,在22个中等规模以上的实例中,有18个实例MEAGCP在求解速度上优于PLHEAD,其中r1000.1c在时间上的差距有9倍之多,其余大部分实例MEAGCP的求解时间都在PLHEAD的50%左右。同时将MEAGCP与主流的图着色算法进行了对比,同样有超过80%的实例在求解颜色数上达到了主流水平。本文提出的图着色算法对强化学习策略和进化算法的结合进行了探索,在图着色领域取得了一定的进展。本文提出的MEAGCP算法验证了膜进化算法应用于求解图着色问题的可行性和有效性。
其他文献
近年来,强化学习算法已经广泛应用于实际应用中,解决决策与控制等复杂问题,如自动控制、电子游戏、机器人、智能电网和推荐系统等。但是,大多数强化学习方法从零知识状态开始训练一个智能体,需要庞大的数据、时间和计算资源。同时,在现实应用中,学习的计算成本随着任务的复杂度呈指数增加。因此,设计高效的强化学习算法,减少对数据及计算资源的依赖一直是强化学习中最具挑战性的问题之一。一种可行的方法是利用从相关任务中
近年来,人们对利用注意力机制从历史行为中获取用户兴趣的深度兴趣模型给予了广泛的关注。然而,目前大多数结合注意力机制的模型只考虑用户行为的顺序,忽略了用户历史行为的时间因素。对于下一项推荐任务,这里有以下三个观察结果:(1)用户的个性化兴趣与用户历史行为的时间因素有关;(2)用户的个性化兴趣是动态发展的,而不是静态的,一成不变的;(3)用户的短期兴趣在下一项预测/推荐中起重要作用。这些结果也与人们的
计算机断层成像(Computed Tomography,CT)具备快速生成高分辨率人体组织图像的特点,是医学诊断中广泛使用的一种成像方式。然而,过量的辐射暴露会增加患癌风险。虽然降低辐射剂量可极大限度地降低健康风险,但也会导致CT图像中存在过多噪声和伪影。因此,如何在低辐射剂量条件下获取高质量CT图像是一个具有重要意义的课题。近年来,卷积神经网络促使低剂量CT图像去噪研究取得了突破性进展,但相关研
准确的交通流量预测能够为居民提供出行引导,帮助交管部门更加科学的管理道路网络,引导市政部门的道路建设,使人们的生活更加便利。然而交通流数据受到多种因素的影响,这些因素互相作用带来了交通流数据复杂的时空相关性,导致在对交通流数据建模的困难。针对交通流量预测问题,本文提出了两个基于动态图卷积和注意力机制的交通流量预测模型,并在Pe MSD4和Pe MSD8两个真实世界交通数据集上相对于11个不同的基准
下颌运动是人完成咀嚼、吞咽、语言、表情等口腔功能活动的外在表现形式,一直以来都是口腔医学研究的重要领域。由于颞下颌关节、咀嚼肌群、牙齿咬合接触等需要协调工作才能保证下颌运动正常,在口腔治疗中,为了避免下颌运动与牙齿咬合失调,需要在术前进行准确的记录和模拟下颌运动轨迹。铰链轴在下颌运动中起到重要作用,是下颌运动中控制开闭口运动的转动轴,位于下颌髁突重心连线附近。现有方法采用机械牙合架描点标记的方式进
随着互联网的普及和大数据的快速发展,涌现了海量的文本数据,如何从这些杂乱、无结构的文本数据中提取出有价值的信息,引起了学者们的广泛关注。关系三元组抽取作为自然语言处理重要的任务之一,其目的是从无标注的文本数据中抽取出知识事实,对知识图谱的构建、文本摘要、智能问答、推荐系统等领域起着关键的作用。现已有大量的关系三元组抽取方法被提出并取得了很好的效果,但这些方法仍然有许多不足。基于这些方法,本文的主要
智能交通系统的应用在缓解交通拥堵等问题上取得了显著效果,准确的交通预测是智能交通系统的关键。随着物联网技术在交通领域的广泛应用,采集的交通数据越来越丰富和精细化,数据驱动的交通预测已成为产业界和学术界关注的焦点。然而,交通数据具有高度的非线性和复杂的动态时空相关性,准确的交通预测特别是长期预测仍是一个难题。现有模型通常是学习从路网生成的固定图来捕获空间相关性,面临着以下局限:(1)难以有效捕获随时
图像是信息的载体,图像的质量就是信息的质量,而超分辨率重构则是一种能够改善图像质量的技术,该技术在卫星遥感、监控图像、医疗诊断、生物识别等各项领域中都有着广泛的应用,具有很强的研究价值和应用价值。而随着深度学习在超分辨率重构领域的广泛使用,重构精度相比传统方法已经得到了质的飞跃。但目前的超分辨率重构模型存在着参数量大、推理速度慢等问题,阻碍了超分辨率重构技术应用于实际生活当中,因此,研究轻量化的超
目标检测是计算机视觉领域的基础任务之一,旨在找出图像中特定的目标,并对目标进行定位和分类,已被广泛应用于工业质检、自动驾驶、遥感图像检测等众多领域。随着深度学习的兴起与发展,基于全监督学习的目标检测算法被广泛使用,但是全监督学习需要对大量数据集进行精细的边界框标注,标注过程费时费力且成本高昂,因此基于弱监督学习的目标检测越来越受到关注。本文研究基于深度学习的弱监督目标检测算法,分别对现有算法中存在
随着互联网的迅速发展和普及,越来越多的人选择通过网络购买商品,于是这些网络购物平台积累了大量的商品评论。这些评论有助于消费者选购到符合需求的商品,也有助于商家改进产品。阅读并分析这些评论需要耗费大量的时间和精力,所以研究人员提出了情感分析(sentiment analysis)技术来解决这些问题。方面级(aspect-level)情感分析是情感分析技术中的一种,其目的是分析句子中给定方面的情感极性