【摘 要】
：
与传统的单任务进化算法相比,进化多任务（EMT）在多个任务的搜索空间中同时进行优化。通过任务间的知识迁移,EMT能够增强优化任务的求解能力。然而,如果知识迁移不能得到很好的进行,EMT的算法性能会受到影响。为提高任务间知识迁移的质量,本文提出了一种基于子空间对齐和自适应差分进化的多目标EMT算法MOMFEA-SADE。具体地说,MOMFEA-SADE采用子空间学习方式,基于一个映射矩阵来变换种群的
论文部分内容阅读
与传统的单任务进化算法相比,进化多任务（EMT）在多个任务的搜索空间中同时进行优化。通过任务间的知识迁移,EMT能够增强优化任务的求解能力。然而,如果知识迁移不能得到很好的进行,EMT的算法性能会受到影响。为提高任务间知识迁移的质量,本文提出了一种基于子空间对齐和自适应差分进化的多目标EMT算法MOMFEA-SADE。具体地说,MOMFEA-SADE采用子空间学习方式,基于一个映射矩阵来变换种群的搜索空间,从而降低负迁移产生的可能性。此外,本文还提出了一种自适应的差分进化策略,可以根据进化经验自动地选择合适的后代产生策略。为了证明MOMFEA-SADE的有效性,本文在多目标多任务优化测试套件上进行了实验。结果表明,相比最新的EMT算法,MOMFEA-SADE算法可取得更优越的性能。伴随5G时代的来临和物联网的兴起,边缘计算作为云计算模型的补充,受到了越来越多的关注。由于物联网设备的计算能力有限,各种物联网设备通常需通过边缘节点上部署的服务来实现各种各样的功能,从而既减小网络时延,又获取边缘节点的计算能力。而各种服务如何在边缘网络上部署会对时延产生很大的影响,从而影响用户体验。同时,不同的部署方案所需的能耗也不同。为此,本文将边缘网络的服务部署问题建模为一个多目标问题,并提出了一种基于多任务的进化算法MOMFEA-SDP来求解该问题。MOMFEA-SDP将每种服务的部署问题作为一个任务,并利用一个种群一次性的同时求解所有的任务。由于MOMFEA-SDP在所有任务之间进行知识共享,利用任务之间潜在的协同性可加速问题的收敛,在小规模问题和大规模问题中,与一些经典的多目标优化算法进行对比,对比结果表明,提出的MOMFEA-SDP能得到更低的网络延迟和更低的功耗。
其他文献
随着工业的快速发展,人们对产品的质量要求也越来越关注。产品表面缺陷检测作为生产过程中最重要的工序之一,它直接影响到产品质量以及用户体验。产品在生产过程中往往会出现一些缺陷,这些缺陷具有一定的随机性,缺陷类型、形状大小各异。传统的人工检测虽然方法简单,有些缺陷的特征不够明显,利用人眼难以识别,检测误差较大,并且效率低下;现有的机器视觉方法能够实现自动检测,但其核心算法需要人工提取特征,存在选取特征不
图像检索是指将待查询图像与候选图像进行相似度比较,找出与查询图像相似或相关的图像。随着图像数据的海量增长和深度学习的快速发展,基于内容的图像检索吸引了越来越多的研究者。一方面,该课题对计算机视觉领域的其他任务（如行人重识别、图像分类等）有积极的促进作用,另一方面,该课题在实际应用中（如电商平台通过图像查询商品,安防等）也发挥了重要的作用。近年来,基于深度学习的图像检索方法取得了良好的效果。然而,图
当前网络信息地爆炸式增长,加大了人们在获取信息中消耗的时间及精力。自动摘要技术能够有效地提高人们面对巨大文本信息冗余时获取信息的效率。自动摘要技术按原理分为抽取式与生成式:抽取式自动摘要技术是对文本中的所有句子进行重要性评估,然后按照重要性选取句子组成摘要;而生成式自动摘要技术是基于内容,由算法生成摘要。但目前效果较好的生成式自动摘要方法,对输入文本长度的处理能力也仅限于短文本,而中文摘要任务则更
当今时代处于一个信息爆炸时代,随着数据量迅速增长和信息高度密集,云计算和大数据等技术的蓬勃发展,成为了当今社会不可或缺的重要技术。而存储是大数据的重要基石,也是云计算的重要基石。当前的云计算和大数据应用严重依赖于异构存储平台,云计算的多租户环境以及数据多样性都使得应用负载的特性差异巨大,必须设法有效地综合利用这些异构存储系统来满足差异性的需求。此外,在云计算和大数据环境下,能耗在数据存储中心的成本
如今,由于序列到序列模型在自然语言领域的重大突破,大多数基于对话生成任务的研究目标都集中于如何让机器产生更高质量的回复。然而,这类研究只能让聊天机器人被动地对内容进行回复,随着对话的展开,人们继续交流的意愿也会逐渐下降。因此,本文研究的方向将从如何让聊天机器人产生高质量的回复转变成如何使其主动有效地进行提问。结合问句的特点,本文提出了三种基于语法结构的问句转换方法和一种基于问句筛选的波束搜索机制。
图像去噪是一个基础性的科研任务,其旨在对获取到的噪声图像通过某种去噪算法的处理后能够获得对应的纯净图像。当前的很多去噪方法是使用大量的成对图像（噪声图像和纯净图像）去训练一个卷积神经网络使之学习到从噪声图像到去噪图像的映射关系。相比于传统的基于图像先验知识的方法,这类方法能够自动地挖掘和利用更多的图像统计信息,从而获得更好的去噪效果。但是,这类方法目前依然还存在着一些问题,如有去噪图像过模糊、单个
自然场景中的文本包含丰富而准确的语义信息,是分析和理解特定场景内容的关键要素。近年来,自然场景文本检测技术在自动驾驶、场景分析、盲人导航等领域得到了广泛应用,成为当前计算机视觉领域的研究热点,受到了工业界和学术界的共同关注。然而,由于自然场景中的文本往往形状大小多变、排列方向不一、环境背景复杂等原因,自然场景文本检测算法的研究仍然面临巨大的挑战。本文结合目标检测、图像分割和深度学习的最新研究成果,
基于沉浸式3D全景视频的虚拟现实应用可以给用户带来沉浸式、深度感和交互式等身临其境的体验,具有广泛的市场需求和应用价值。然而,由于现有采集技术的局限和计算资源的约束,3D全景视频系统中的各环节均会引入不同类型和不同程度的失真。因此,3D全景视频系统中存在大量的图像失真问题,亟需研究高效的修复算法,以提升整体系统性能。本论文基于深度学习技术,围绕3D全景视频系统中的深度图像修复和360度全景图像修复
在全球共有数以万计的数据中心,随着科技的发展及人们对数据服务需求的增加,数据中心的数量每年都在增长。数据中心给我们的的工作与生活带来便利的同时,每年消耗大量的电力并且带来大量的碳污染。本文研究以服务器集群中作业分配方法为目标,以节能为目的,即研究目标是,对于服务器集群中传入的作业请求,设计最优的分配方法,以提高系统的能量效率实现节能,同时又保证作业高效率完成。作业分配主要研究如何为用户的提交的作业
近年来,随着互联网的蓬勃发展,移动通信中的用户数变得越来越多,数据流量大量增加,能源的消耗也变得日益严重,在未来的通信中面临着降低成本、提高性能的挑战。为了提高系统的性能,如何消除多用户干扰便成为了一个越来越重要的课题。然而,随着通信的发展,现有的多用户干扰消除算法如多用户检测技术等无法普遍满足于各种应用场景的需求。所以,本文进一步研究使用机器学习算法消除多用户干扰这个问题。深度学习是机器学习中的