【摘 要】
：
针对传统正余弦算法处理复杂优化问题时存在易得局部最优和收敛速度慢的不足，提出一种基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA。算法设计了指数函数的曲线自适应振幅调整因子更新方法，用于均衡个体的全局搜索与局部开发能力；设计了自适应递减惯性权重更新机制，改进个体位置更新，加快算法收敛速度；设计了精英柯西混沌变异的个体扰动机制，提升种群多样性，避免局部最优。利用八种基准函数寻优测试证实IWC
论文部分内容阅读
针对传统正余弦算法处理复杂优化问题时存在易得局部最优和收敛速度慢的不足，提出一种基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA。算法设计了指数函数的曲线自适应振幅调整因子更新方法，用于均衡个体的全局搜索与局部开发能力；设计了自适应递减惯性权重更新机制，改进个体位置更新，加快算法收敛速度；设计了精英柯西混沌变异的个体扰动机制，提升种群多样性，避免局部最优。利用八种基准函数寻优测试证实IWCCSCA算法能够有效提升收敛速度和寻优精度。进一步将IWCCSCA算法应用于针对数据原始特征集中的特征子
其他文献
股票市场参与者的所有市场活动综合影响着股票市场的变化，使股票市场的波动充满复杂性，成为准确预测股票价格的难题。在这些影响股市变化的活动中，财务披露是预测股票指数变化的一种吸引人的且具有潜在财务回报的手段。为了应对股票市场的复杂变化，提出一种结合公司披露的财务报表数据进行股票指数预测的方法。该方法首先对股票指数历史数据和公司财务报表数据进行预处理，主要是对公司财务报表数据生成的高维矩阵进行降维，然后
针对传统手工方法优化卷积神经网络参数时存在耗时、不准确，以及参数设置影响算法性能等问题，提出了一种基于教与学优化的可变卷积自编码器方法。该算法设计了可变长度的个体编码策略，快速构建卷积自编码器结构，堆叠卷积神经网络；此外，充分利用优秀个体结构信息，引导算法朝着更有希望的区域搜索，提高算法性能。实验结果表明，所提算法在解决医学图像分类问题时，分类精度达到89.84%，高于传统卷积神经网络和同类型神经
知识图谱表示学习旨在将实体和关系映射到一个低维稠密向量空间中，现大多数模型更注重于学习三元组的结构特征，忽略了三元组内的实体关系语义特征和三元组外的实体描述信息特征，因此知识表达能力较差。针对以上问题，提出了一种融合多源信息的知识表示学习模型BAGAT。首先，结合知识图谱特征，构造三元组实体目标节点和邻居节点，实现使用图注意力网络（GAT）聚合三元组结构语义特征表示；然后，使用BERT词向量模型对
科学的泥石流危险性评价对灾害防治具有重要的指导作用。本文选取高程分布、坡度、地层岩性、断裂带分布、土地利用现状、植被覆盖度六个因子,利用GIS技术,综合分析泥石流的危险性。基于野外调查数据的验证结果表明:评价结果与实际情况基本一致。本研究采用的方法可行性高,结果基本符合实际情况,可为当地的防灾减灾工作提供依据。
子图同构问题是非确定多项式(NP)完全问题，而轴心子图同构是一种特殊的子图同构问题。针对现在已经有许多高效的子图同构算法，但是对于轴心子图同构问题目前并没有基于GPU的搜索算法，而通过改造子图同构算法来解决轴心子图匹配问题会产生大量不必要的中间结果这一问题，提出一种基于GPU的轴心子图同构算法。首先，通过一种新颖的多编码树方式，利用节点的标签、度以及节点邻居的结构特征组合对节点进行编码，在GPU上
为增强YYPO-SA1的性能，提出了一种动态D向分割和混沌扰动的阴阳对算法N-YYPO，其首先基于牛顿衰减机制动态调整YYPO-SA1中的D向分割概率，然后在分割阶段加入混沌扰动策略。N-YYPO利用动态调整机制在搜索前期使用较大的D向分割概率，在搜索后期则使用较小的D向分割概率，增强了算法的全局搜索能力，同时混沌扰动策略丰富了解的多样性，增强了算法跳出局部最优的能力。最后，将N-YYPO应用于风
针对遥感图像目标广邻域稀疏、多邻域聚集、方向多样等特性导致检测难度大的问题,提出了一种基于稀疏Transformer的遥感旋转目标检测方法。首先，此方法在典型端到端Transformer网络的基础上，根据遥感图像的特性，利用k-means算法实现多域聚集，从而更好的提取稀疏域下的目标特征；其次，为适配旋转目标的基本属性,在边框生成阶段,提出了利用目标包围框的中心点及边框特征学习的策略，从而高效获取
随着数据的海量型增长，如何存储并利用数据成为目前学术研究和工业应用等方面的热门问题。样例选择方法是解决此类问题的方法之一，将原始数据依据既定规则选出代表性的样例，能够有效地降低后续工作的难度。因此提出了一种基于哈希学习的投票样例选择算法，算法分为三个部分：首先通过主成分分析（PCA）方法将高维数据映射到低维空间，然后利用k-means算法结合矢量量化方法进行迭代运算，将数据用聚类中心的哈希码表示，
近年来，视听联合学习的动作识别获得了一定关注。无论在视频（视觉模态）还是音频（听觉模态）中，动作发生是瞬时的，往往在动作发生时间段内的信息才能够显著的表达动作类别。如何更好地利用视听模态的关键帧携带的显著表达动作信息，是视听动作识别待解决的问题之一。本文提出关键帧筛选网络KFIA-S，该网络通过基于全连接层的线性时间注意力机制赋予每个时刻视听信息不同权重，从而筛选益于视频分类的视听特征，减少重复冗
基于有限时间热力学理论和NSGA-II算法,对不可逆Otto循环进行了热力学分析和多目标优化.在前人建立的不可逆Otto模型基础上,进一步导出了该循环功率密度的表达式,分析了循环最大温比、传热损失、摩擦损失和内不可逆性损失对循环功率密度与压缩比和功率密度与效率特性的影响;在最大功率与最大功率密度准则下,比较了该循环的热效率、最大比容比和最大压比;基于NSGA-II算法,引入功率、效率、生态学函数和