6篇关于进化算法的计算机毕业论文

今天分享的是关于进化算法的6篇计算机毕业论文范文, 如果你的论文涉及到进化算法等主题,本文能够帮助到你

雾计算中基于进化算法的服务放置优化研究

这是一篇关于雾计算,服务放置,进化算法,多目标优化的论文, 主要内容为随着物联网的快速发展,传统的云计算已经不能满足应用程序对于低延时、实时性交互和移动性感知的需要。为弥补云计算存在的缺陷,思科提出了雾计算的概念。雾计算作为一种新兴的分布式计算范式,在距离用户更近的网络边缘提供了传统云计算的功能。将应用从云端迁移到网络边缘能够有效地降低用户等待服务的延迟。然而,在资源受限、异构且地理位置分布广泛的雾设备上放置服务是一项挑战性的工作,并且用户期望和Io T设备特征的多样性也使得放置问题复杂化。现有的研究已经证明雾计算中的服务放置问题是一个NP-hard问题,使用启发式算法对雾服务放置问题进行求解已成为一个热门趋势。本文聚焦于雾计算环境下的服务放置问题,从雾服务放置问题的建模与优化两个方面展开研究。本文的主要内容如下:(1)雾计算环境下服务放置问题的建模。本文将雾计算中的服务放置问题抽象为受约束的多目标优化问题,建立雾计算的系统模型,提出一种基于微服务的Io T应用程序模型。然后,在这两个模型基础之上构建网络延迟、资源利用率和服务成本三个优化目标的数学模型,并将放置到雾设备上的服务消耗的资源不超过雾设备的可用资源作为雾服务放置问题的约束条件。(2)本文引入三种多目标进化算法对建模的雾服务放置问题进行了优化。其一,将多目标的雾服务放置问题转换为单目标优化问题,为每个优化目标分配了相同的权重系数,提出了基于加权求和遗传算法(WSGA算法)的雾服务放置优化算法;其二,使用带精英策略的快速非支配排序遗传算法(NSGA-II算法)对多目标的雾服务放置问题进行优化求解,提出了基于NSGA-II的雾服务放置优化算法;其三,本文利用基于分解的多目标进化算法(MOEA/D算法)研究了多目标的雾服务放置问题,使用切比雪夫法将多目标的雾服务放置问题分解为一系列的标量子问题并同时进行优化,提出了基于MOEA/D的雾服务放置优化算法。(3)通过实验仿真评估和验证了本文提出的三种优化方案的性能。仿真结果表明,基于WSGA的雾服务放置优化算法的执行时间最少,该算法输出的解决方案在雾层部署的服务数量最少;基于NSGA-II的雾服务放置优化算法获得最高的优化目标;基于MOEA/D的雾服务放置优化算法具有最快的收敛速度,并且该算法获得的帕累托最优解集的性能最好。

雾计算中基于进化算法的服务放置优化研究

推荐系统中基于进化及网络传播算法的信息核优化

这是一篇关于推荐系统,协同过滤,信息核,进化算法,网络传播算法,降维,聚类的论文, 主要内容为随着大数据时代的到来,信息的海量增长使人们不得不面对信息过载的困局。推荐系统作为解决信息过载的有效技术手段,一经提出就吸引了众多学者的关注。协同过滤算法作为推荐系统领域中最常用的算法之一,随着数据的快速增长逐渐暴露了其固有的一些问题。其中,可扩展性问题是阻碍其发展的主要障碍之一。为了缓解该问题,学者们提出了各种各样的方法,基于信息核的推荐方法就是其中一种较为新颖的方法。目前主要是通过启发式的方法构建信息核,相比于传统协同过滤算法在推荐质量方面存在一定损失。针对这一问题,本文提出了基于进化及网络传播算法的信息核优化方法,用于减少在线推荐时间,以缓解可扩展性问题,同时也提升了推荐质量。具体内容安排如下:(1)提出了一种基于多子种群进化算法的信息核优化方法。首先,根据用户的度提出三种约束条件将种群划分为三个子种群。然后,将每种约束条件与信息核都编码在种群个体中,通过进化迭代自动搜索出较好的度阈值。最后,利用精英保留策略保留竞争能力较强的子代个体构成下一代种群,在种群个体总数不变的情况下,竞争力强的子种群规模逐渐增大,而竞争力弱的子种群规模会逐渐缩小甚至被完全淘汰。实验结果表明,本方法能够有效地发现信息核,从而得到了比其他对比方法更好的推荐质量。此外,极大地减少了在线推荐的时间。(2)提出了一种基于进化及聚类算法的虚拟信息核优化方法,该方法旨在提高系统中用户信息的利用率,构建包含信息更丰富的虚拟核用户。首先,提出了一个简单“平均法”去融合多个用户的信息来构成虚拟核用户。然后,将搜索虚拟信息核的问题建模为组合优化问题,并通过进化算法去解决该问题。最后,为了使离线优化更有效率,我们提出两种改进策略。第一种策略是通过降维和聚类构建更小的训练集和验证集;第二种策略是引进一种基于降维和聚类的相似度方法。实验结果表明,基于进化及聚类算法的虚拟信息核优化方法进一步提高了推荐质量,其在线推荐时间与对比方法相比更短,具有更强的缓解可扩展性问题的能力。(3)提出了一种基于聚类及网络传播算法的虚拟信息核优化方法,该方法旨在减少虚拟信息核的离线优化时间,同时进一步利用系统中用户的信息去构建性能更好的虚拟信息核。首先,为了减少重复聚类的时间以及获得更好的聚类效果,我们利用t-SNE算法获得用户的低维数据。然后,将用户的低维数据进行重复聚类,并在用户的高维数据中计算每个簇的聚类中心,从而获得虚拟用户。最后,利用改进的网络传播算法从虚拟用户中选出一些虚拟核用户来组成虚拟信息核。实验结果表明,通过该方法构建的虚拟信息核进一步提高了推荐质量,并且大大减少了虚拟信息核的离线优化时间。

基于进化算法的文本对抗攻击方法研究

这是一篇关于对抗攻击,进化算法,自然语言处理,软件工程,深度学习的论文, 主要内容为随着大数据时代的来临以及人工智能领域技术的不断突破,深度学习理论与技术得到快速发展,并被广泛应用于自然语言处理以及软件工程领域。然而,研究发现现有的神经网络模型在面对对抗样本时很脆弱。研究者通过在自然生成的样本中加入不可感知的微小扰动生成对抗样本,达到攻击深度神经网络模型的目的。本文将编程语言视为一种特殊文本,研究了文本形式的对抗攻击。虽然在自然语言处理和软件工程领域现有工作已经提出了多种不同应用场景下的对抗攻击方法,但仍存在对抗攻击方法效率低以及生成的对抗样本质量差的问题,本文对现有基于进化算法的对抗攻击方法进行了改进,并提出多目标对抗攻击概念。全文研究内容总结如下:1.提出一种基于注意力机制和遗传算法的对抗攻击方法(命名为AGA)。受到基于重要性的攻击方式的启发,对基于种群的启发式攻击方法在黑盒攻击模式下需要访问被攻击神经网络模型大量次数的问题进行了改进。该方法主要利用了注意力机制能够捕获文本中的重要信息的能力,优先扰动对预测结果影响更大的单词。并且使用(μ+λ)选择算子,提高种群收敛能力。实验结果表明,AGA算法与对比算法相比,能够在减少近48%的计算资源的情况下获得更好的攻击成功率。2.提出一种基于多目标遗传算法的对抗攻击方法(命名为MOAA)。从编程语言作为中间语言的特征出发,分析了编程语言作为一种特殊的文本语言的特殊性,重新定义了在软件工程领域的对抗攻击问题。要求在对抗攻击过程中,对抗样本不能对编程人员的理解产生误导,同时在计算机上执行的结果要与原始样本的结果保持一致。然后,设计了基于多目标进化算法的攻击算法来解决上述问题。在实验设计中,对软件工程中常见的4种应用展开研究,结果证明MOAA能够获得更加符合现实的对抗样本。3.设计开发一个文本对抗攻击实验平台(命名为TAA)。该实验平台弥补了当前领域内缺少用户友好交互界面的实验平台的问题。基于现有文本对抗攻击算法,设计了一个文本对抗攻击系统框架,用户可以在此框架的基础上进行二次开发,设计符合自己需求的攻击方法。同时,提供了友好的交互界面,能够帮助初学者更好的理解和入门文本对抗攻击研究。

深度图像识别的黑盒对抗攻击方法

这是一篇关于深度学习,物体分类,对抗样本,进化算法,噪声压缩算法,靶向攻击的论文, 主要内容为如今,越来越多的应用和系统都由神经网络(深度学习)所驱动,影响着或者将影响人类日常生活中的许多方面,比如推荐系统、人机交互甚至是安全防护等领域,具体场景包括信用账户评估、垃圾邮件过滤、车牌识别等等。但是神经网络本身也有缺陷,即便是基于深度神经网络的图像分类器也容易受到微小的、难以察觉扰动的影响。恶意生成的对抗样本,虽然不会对人类肉眼的识别过程造成较大的影响,但它却会利用神经网络的不稳定性,误导模型得出错误的结果,从而影响模型的准确性。本工作以物体分类任务为例,提出了两个算法,第一个是基于进化算法的对抗攻击算法,第二个是基于噪声压缩的对抗攻击算法。前者同时考虑了源/目标靶向攻击与非靶向攻击、黑盒攻击和全局扰动这三大任务,通过使用改进的差分进化算法和粒子群优化算法来搜索对抗样本,将随机噪声编码为种群个体,通过交叉变异等操作逐步进化至对抗噪声,并利用对抗初始化的方式提升搜索效率。实验表明,该算法在MNIST、CIFAR10、CIFAR100数据集上均有效果,使不同模型的错分率显著提高,同时其生成的对抗样本的可迁移能力也较强,即便对于经过对抗性训练等模型防御措施也具有很高的稳健性。后者的噪声压缩算法利用对抗扰动的鲁棒性和迭代攻击的边际效应递减现象进一步采用分组降噪和随机降噪两个方法进行噪声的压缩操作,并采用改进的迭代攻击算法与噪声压缩算法相结合,提升靶向攻击的性能。在Image Net和Tiny Image Net数据集的实验验证了该算法的有效性。

基于演化计算的神经网络结构自动搜索算法研究及应用

这是一篇关于卷积神经网络,神经网络结构搜索,进化算法,图像分类,图像降噪,多目标优化的论文, 主要内容为近年来,深度学习方法已经取得了极大的发展,其中卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉的各个领域中应用广泛,例如在图像分类、图像检测、以及图像恢复等领域都有着突出的贡献。但是大量CNN工作都是基于手工设计的神经网络结构。这些网络结构的设计要求专业领域知识,同时需要经过反复的实验迭代,极大地提升了网络设计的难度,使得CNN的应用受到一定限制。为了解决这个问题,神经网络结构搜索(Neural Architecture Search,NAS)逐渐开始受到研究人员的关注。NAS算法可以通过自动搜索的方式构建神经网络,减少了人工参与,极大地降低了神经网络设计的门槛,有助于进一步推动神经网络的发展。但是NAS算法普遍存在搜索时间长、计算资源需求高等问题。且目前大部分NAS算法针对图像分类领域展开研究,对于NAS算法在图像降噪领域上的应用仍有较大的研究空间。除此之外,基于多目标优化的NAS算法相比单目标优化而言,在现实场景中更具应用价值。因此本文基于进化算法设计新的NAS算法,针对上述提及的NAS算法的存在问题开展以下工作:(1)针对现有NAS算法在图像分类任务上搜索时间长,计算资源需求大的问题,以及单目标优化NAS算法不利于现实场景应用的问题,本文提出了一种低成本的全自动神经网络结构搜索算法(low-cost NAS,LoNAS)。首先,通过提出一种基于新型网络模块Reg Block的变长网络结构编码策略,可以构建出高分类精度且低参数量的多目标高性能网络结构。然后基于神经网络正切核(Neural Tangent Kernel,NTK)提出了一种非训练代理策略。通过非训练的方式来加快网络结构的搜索,有效缩短搜索时间以及降低计算资源需求。最后,基于多评价标准的环境选择策略设计一种三阶段进化算法来平衡搜索算法的开发性以及探索性,帮助搜索到更优解。在CIFAR-10、CIFAR-100以及Image Net-16-120等图像分类数据集上的实验结果表明,通过综合考虑网络分类精度以及网络参数量,LoNAS算法能够搜索到性能优异的网络结构。同时,算法的搜索时间以及计算资源成本也显著降低。除此之外,LoNAS算法搜索的网络结构拥有良好的迁移性,能够在多个数据集上表现出可靠的分类性能。最后,LoNAS算法在IMDB-WIKI人脸数据集的性别分类上展现了可靠的精度,同时拥有较少的参数量,LoNAS算法具备良好的应用性能。(2)针对图像降噪领域,本文提出了一种高性能的全自动神经网络搜索算法(denoise NAS,DeNAS)。首先通过设计一种基于U-Net的变长对称编码策略,结合空间注意力以及通道注意力机制,可以构建出包含高性能降噪网络结构的搜索空间。然后设计一种基于短轮次训练的回归映射补偿方法,通过引入网络结构的参数量,全轮次训练下的网络降噪性能以及短轮次作为先验知识,可以有效减少搜索过程中需要的搜索时间和搜索资源需求,同时提升短轮次训练策略的可靠性。最后,通过设计一种基于参数权重动态分配的进化算法,有效提升种群中个体的降噪性能,帮助搜索到性能更好的网络结构,实现更加高效的搜索。在降噪数据集Set12,BSD68以及BSD500数据集上的实验结果表明,DeNAS可以快速地搜索到降噪性能良好的网络结构。最后,DeNAS算法在SIDD数据集上可以搜索到降噪性能良好的网络结构,针对真实图像噪声有可靠的去噪效果,具备良好的应用性能。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾，原文地址：https://m.bishedaima.com/lunwen/48333.html