【摘 要】
：
稀疏多目标问题是指其Pareto最优解中多数决策变量为零的优化问题,此类问题在科学研究和实际应用中广泛存在,如稀疏信号重构、稀疏神经网络训练、复杂网络关键点探测等。进化算法是求解优化问题的一类重要方法,具有不依赖待求解问题的精确数学模型、鲁棒性强、易并行等优势,目前已成为解决稀疏多目标优化问题的主流方法。近年来,尽管已经出现了多种有效求解稀疏多目标优化问题的进化算法,然而在处理一些复杂稀疏多目标优
论文部分内容阅读
稀疏多目标问题是指其Pareto最优解中多数决策变量为零的优化问题,此类问题在科学研究和实际应用中广泛存在,如稀疏信号重构、稀疏神经网络训练、复杂网络关键点探测等。进化算法是求解优化问题的一类重要方法,具有不依赖待求解问题的精确数学模型、鲁棒性强、易并行等优势,目前已成为解决稀疏多目标优化问题的主流方法。近年来,尽管已经出现了多种有效求解稀疏多目标优化问题的进化算法,然而在处理一些复杂稀疏多目标优化问题时仍面临性能退化、效率不高等不足,需进一步进行研究。因此,本文分别针对稀疏多目标优化问题在决策空间和目标空间中的两种复杂性,即大规模稀疏多目标优化问题和Pareto最优前沿面不规则的稀疏多目标优化问题,进行了研究。具体的研究内容如下:（1）针对大规模稀疏多目标优化问题,提出了一种基于自编码器和模式挖掘的最优解稀疏性学习策略,并基于此策略建立了大规模稀疏多目标进化算法APMMOEA。由于搜索空间随着问题规模增加指数增大,因此进化算法在处理大规模稀疏多目标优化问题时面临严重的维度灾难问题。该算法结合自编码器和模式挖掘两种技术,利用算法搜索过程中所发现的信息,学习大规模稀疏多目标优化问题Pareto最优解中可能为零的决策变量,使算法仅在决策变量非零的空间进行搜索,从而极大缩小了进化算法的搜索空间,提升了进化算法解决大规模稀疏多目标优化问题的能力。在8个大规模稀疏多目标基准测试问题上对APMMOEA算法及5种现有的进化算法进行了比较,实验结果表明该算法相比其他的对比算法具有一定优势。（2）针对Pareto最优前沿面不规则的稀疏多目标优化问题,提出了一种基于Growing Neural Gas Network（GNG）网络的Pareto最优前沿面形状学习策略,并基于此策略建立了稀疏多目标进化算法Sparse IRMOEA。随着优化问题决策目标数量的增加,其Pareto最优前沿面会出现退化、不连续、甚至是多个孤立的点等复杂情形,使进化算法在求解此类问题时很难获得同时具有很好收敛性和多样性的最优解。该算法采用GNG网络利用搜索过程中所发现的Pareto最优解信息,学习Pareto最优前沿面的形状,并利用所学习的关于前沿面形状信息引导进化算法的搜索方向,从而使进化算法可以较好处理具有不规则前沿面的稀疏多目标优化问题。在稀疏多目标优化的基准测试问题的实验结果表明,与3种稀疏多目标进化算法及3种处理不规则前沿面的进化算法相比,Sparse IRMOEA不仅在Pareto最优前沿面规则的稀疏多目标优化问题具有较好性能,同时在不规则前沿面的稀疏多目标优化问题上体现了一定的优势。
其他文献
图表示学习旨在学习节点低维特征表示,以应用于诸如节点分类、链路预测以及社区发现等节点级分析任务中,吸引了越来越多研究学者的关注。然而,现实世界中的复杂图数据通常表现出一种明显的层级结构,这一特性有助于提高图分析的质量。图层次表示学习的核心思想是以分层的方式聚合节点特征信息,并用低维稠密的特征向量表示图数据,从而可以使其更好应用于图分类等图级分析任务。面对规模愈加庞大的图数据,图简化技术可以在保持基
随着网络时代的高速发展,真实世界中产生大量具有复杂关系且隐含重要信息的网络数据。挖掘网络数据中丰富的信息,对于网络分析具有重大意义。网络表示学习是一种在保持网络基本性质的基础上,通过映射函数将网络节点以一种低维稠密的向量形式表示的网络分析方法,这种向量表示结果可以应用于节点分类、推荐等网络分析任务,具有重要的研究价值。近年来网络表示学习取得巨大成就,在学术及工业界获得极大关注。现有方法大多可以将网
结直肠癌是常见的恶性肿瘤,严重威胁人们的生命健康,而结直肠中的息肉被看作是结直肠癌的前兆,通过结肠镜检查可以有效的诊断出息肉或结直肠癌,但是人工的方式有一定的漏诊率。计算机技术的快速发展,使得开发出计算机辅助诊断（Computer Aided Diagnosis,CAD）工具成为可能,快速准确的息肉分割方法对诊断结直肠癌有着重要的意义。由于息肉本身的形状、颜色、大小变化很大,息肉分割一直是一项具有
由于遗传密码存在的简并性,编码区中不影响蛋白质序列的单核苷酸突变被称为同义突变。同义突变在各种复杂人类疾病中起着重要作用。识别同义突变有利于人们对相关疾病的诊断与治疗。然而,精确识别有害同义突变仍然是一项非常有挑战性的工作。近十年来,一些基于机器学习的同义突变功能预测工具被提出来了。这些工作极大的促进了人们对同义突变的认识。在同义突变功能效应预测模型的构建过程中面临不平衡数据集的问题,已有的方法大
方面级情感分析（Aspect-based Sentiment Analysis,ABSA）,是实现一个句子中给定方面词的情感极性分类,常见的为情感三分类（即积极、消极和中立）。其在外卖评价、社交舆情分析、网购推荐、金融行情等领域中的应用屡见不鲜。在信息爆炸的今天,ABSA无疑拥有更广泛的应用场景和更广大的需求人群,具有重要研究价值和意义,因而在近年来被广泛关注。相关研究工作通常只关注方面词和句子序
大规模最优化问题在现实世界中普遍存在,如神经网络训练、投资组合优化、稀疏信号重构、旅行商、0-1背包、加工调度、装箱、图着色等。当这些最优化问题的优化目标个数超过一个时被称为大规模多目标优化问题。多个目标之间可能互相影响或冲突,但是需要同时求解到最优值。进化算法是以达尔文的进化论为基础,通过将解决方案进行编码,以物竞天择、适者生存为进化方向,通过针对性地设计不同的种群初始化方法,生成子代解方法,环
伴随着城市化进程加快和交通智慧化管理的需求上升,智能交通在未来的市场空间巨大。车辆重识别作为智能交通的重要一环,在交通智能管理领域发挥着重要作用。基于单帧图像的车辆重识别和基于视频的车辆重识别是车辆重识别两个基础的任务分支。基于单帧图像的车辆重识别算法任务多是集中在小轿车、商务车等中小型车辆,对公交车、载货车等大型车辆的关注程度很低。相比较于视频,单帧图像能够提供的信息终究是有限的。此外,单帧图像
多模态目标跟踪的提出是为了利用可见光和红外数据的互补优势来实现成对视频序列的目标定位任务。但是多模态的跟踪起源偏晚并且需要成对匹配的信息,而成对数据的获取受制于专业的成像设备和高昂的人工标注成本,现有数据集规模相比于可见光较小且数据多样性匮乏。此外,可见光-红外数据在不同的挑战下并非都同时发挥正面作用,如何充分利用两种模态的优点并同时抑制噪声成为急需解决的问题,受最近元学习研究的启发,本文基于元学
特征选择是数据挖掘领域中一个重要的数据预处理手段,其目的是从数据的全部特征中选择出部分对学习模型（如分类算法）有用的特征,以此增强模型的效率和效果。特征选择有两个目标需要优化:一是提高学习模型的性能,二是降低特征数量,因此特征选择问题能天然地建模成多目标优化问题,而基于进化多目标优化的特征选择算法是目前的一个研究热点,由于其不需要关于搜索空间的先验知识和假设,且能在一次运行中产生一组权衡不同冲突目
随着生活质量的不断提高,身体健康问题越来越受到人们的关注。有关身体健康状况的生命体征参数有心率（Heart Rate,HR）、呼吸率、血压和血氧饱和度等,其中,心率是较为重要的一项参数。心率的动态变化与潜在的心脏疾病息息相关,如果患者出现心率过速、过缓或心律不齐,都应该及时地就医、检查。因此,在日常生活中,针对心率的估计和实时监测能有效地预防和治疗心血管疾病。近年来,基于面部视频的心率检测方法的各