【摘 要】
：
在科学和工程领域,存在着大量的没有显式优化函数,需要通过耗时的数值仿真或物理模拟来进行适应度评估的昂贵优化问题,如交通信号灯配时优化等。研究如何有效地求解昂贵优化问题具有重要的现实意义。代理模型辅助进化算法利用历史评估数据训练代理模型近似目标函数,以此替代耗时的实际评估,降低计算成本,加快优化过程。代理模型辅助进化算法凭借其良好的鲁棒性和快速性,已被广泛应用于求解昂贵优化问题。目前,代理模型辅助进
论文部分内容阅读
在科学和工程领域,存在着大量的没有显式优化函数,需要通过耗时的数值仿真或物理模拟来进行适应度评估的昂贵优化问题,如交通信号灯配时优化等。研究如何有效地求解昂贵优化问题具有重要的现实意义。代理模型辅助进化算法利用历史评估数据训练代理模型近似目标函数,以此替代耗时的实际评估,降低计算成本,加快优化过程。代理模型辅助进化算法凭借其良好的鲁棒性和快速性,已被广泛应用于求解昂贵优化问题。目前,代理模型辅助进化算法在如何提高数据质量与数量,如何设计更有效的模型管理策略等方面有待进一步研究。本学位论文研究代理模型辅助进化算法,并将所提出的算法应用于交通信号灯配时优化问题的求解。论文主要研究内容和成果如下:为充分利用离线数据引导搜索,提高模型准确性,提出了一种基于裁剪的选择性代理模型集成进化算法（TSAEA-SE）。TSAEA-SE使用装袋算法训练多个模型作为初始模型池,充分利用离线数据;设计模型裁剪策略对初始模型池进行裁剪,平衡模型的准确性与多样性;使用选择性模型集成策略来引导算法搜索,提高算法性能。将TSAEA-SE与三种经典算法在20个测试问题上进行实验,TSAEA-SE的平均排名为1.7,取得了最小排名,验证了算法的有效性和合理性。为缓解离线数据缺乏,充分利用优化过程中的信息,提出了一种基于数据生成与代理模型集成的进化算法（ESAEA-DG）。设计数据生成策略,缓解数据缺乏问题,由最优个体来引导搜索方向,优化搜索过程。设计模型集成策略,在优化过程中进行逐代模型集成,提高勘探和开采能力,平衡全局与局部搜索。将ESAEA-DG与三种经典算法在20个测试问题上进行实验,ESAEA-DG的平均排名为1.5,排名最小且运行时间最短,验证了算法的有效性和合理性。将所提出的TSAEA-SE与ESAEA-DG算法应用于交通信号灯配时问题的求解。将信号灯配时问题建模为最小化平均行驶时间的单目标优化问题。在VISSIM上将TSAEA-SE和ESAEA-DG与三种经典算法进行仿真实验,提出的算法均能够有效优化信号灯配时,ESAEA-DG能获得最小平均行驶时间。与原交通信号灯配时相比,经过ESAEA-DG优化后的车辆平均行驶时间节省了13.3%。
其他文献
图文联合表征是指对图像和文本信息进行联合语义表示。图像和文本是常见的两种模态,同时模态间的联合表征是支持下游任务的基础。因此图文联合表征是多模态领域最重要的研究课题之一。然而,由于图像文本之间存在信息粒度差异与语义匹配歧义,使得图文特征抽取和语义交互面临诸多困难。论文重点研究图文信息的特征抽取与语义交互,以提升图文检索的召回率,同时研究和实现了论文方法在工业系统中的应用。在图像文本信息嵌入方面,主
近年来,随着硬件设备和人工智能的不断发展,智能视频监控得到了广泛的应用,学者们对监控领域算法一直在不断挖掘和突破。本文针对家庭安防监控中的在线动作检测（Online Action Detection,OAD）算法进行了研究,根据任务特点提出了新的网络框架,并取得了较显著的性能提升。另外,本文针对家庭安防监控设计了基于树莓派的硬件监控平台,为算法的实际应用奠定了硬件基础。目前大多数的OAD算法使用单
受到细粒度的任务特性以及数据中存在的各种干扰因素的影响,行人重识别任务对算法提取到的特征的判别能力与抗干扰能力都有较高的要求。为此,本文在多示例空间聚合思想的基础上,分别从提升局部示例判别性、抗遮挡模式发现与身份属性信息学习三个方面展开研究工作。针对特征的判别能力与鲁棒性的问题,一种基于局部示例判别能力增强空间聚合方法被提出,在全局空间聚合的范式下,利用NetVLAD编码提高局部特征的判别能力,同
得益于其广泛的应用场景,人脸属性编辑任务近来备受关注。但现有的人脸属性编辑算法很难精确地控制人脸属性,编辑结果存在着严重耦合。论文发现Style GAN2网络中存在着属性特定的控制单元,提出两种属性编辑算法操纵控制单元,实现了更加多样且精准的人脸属性编辑。为了编辑真实人脸,还提出了一种能维持隐编码的可编辑性,同时更准确地重建输入图片的反编码算法。首先,发现网络的中间特征和调制参数存在着明显的局部相
异常检测属于计算机视觉领域的基础研究之一,其目的在于构建模型发现与主体数据分布不同的异常值。由于实际中异常的多样性和稀缺性,异常样本通常难以获得,因此,异常检测常作为一个数据缺失的无监督式问题进行研究。近年来,基于深度学习的判别式算法是处理异常检测问题具有最先进水平的一类算法,本文将对这类算法进行研究,主要内容可以分为下面三个部分。与基于变换的自监督学习相结合的判别式算法是被广泛使用的一类异常检测
情感识别是实现人机交互中的重要一环,然而由于人类情感的模糊性,使得关于情感的研究一直进展缓慢。近年来,得益于深度学习的发展,研究者们利用深度神经网络强大的特征提取能力,来提取多个模态（如图像、音频和文本）的特征。但是由于天然的多模态数据是高度异构的,使得不同模态特征之间的信息交互难以被建模。本文从单个话语片段中的多模态融合问题出发,在传统自编码器模型的基础上,提出了新颖的多通路自编码器模型,通过多
人物交互关系检测是重要的视觉理解任务之一,在安防与无人商超领域有着非常多的应用。在人物交互关系检测任务中,全局上下文特征是十分重要的,采用基于Transformer的方法来进行人物交互关系检测能有效聚集全局上下文特征。但是现有的基于检测Transformer的人物交互关系检测器存在一些缺陷,它们会将实例检测与交互关系理解这两个人物交互关系检测的子任务捆绑在一起完成,导致无法有效地理解一些复杂的容易
风力发电作为一种绿色环保的发电方式,对实现全球碳中和至关重要。风场恶劣的天气条件会影响数据获取,导致数据出现缺失问题。缺失数据修复作为数据预处理的一环,旨在恢复数据的完整性,从而满足风机状态评估、发电量预测、异常预警等下游任务对数据完整性的要求。因此,如何对缺失数据进行修复具有重要的研究意义。首先,分析了多元时空数据缺失的机制和模式,点明了研究的两种缺失模式:单风机全部特征缺失和所有风机缺失相同特
面对新型冠状病毒疫情,保持安全社交距离是有效防控手段之一。而无人机可以在大场景中进行多角度观测,为疫情管控提供保障。据此,无人机视角下的行人社交距离监测作为研究背景,展开两大技术问题研究,即无人机视角下的行人检测及社交距离测量任务。针对无人机视角下的行人检测任务,从任务特性和难点进行分析,总结出:行人目标小且特征提取难;复杂大场景中精确定位难;行人与背景有效区分难。针对上述问题,高分辨率网络提升特
在经典机器学习问题中,一个重要假设是训练数据和测试数据服从独立同分布。但在很多场景中,训练数据和测试数据会存在分布偏移,域适应（迁移学习）是处理该问题的重要方法。域适应在情感脑机接口中,能够有效缓解用户间数据分布差异,提升情绪识别效果。为保护用户数据隐私,无源域情感计算也十分重要。本文针对域适应及其在情感脑机接口中的应用,展开相关算法研究工作。为提升传统域适应算法性能,本文提出一种融合特征子空间学