推荐10篇关于进化算法的计算机专业论文

今天分享的是关于进化算法的10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

基于进化算法的多目标柔性作业排产优化研究

这是一篇关于柔性车间排产,多目标优化,进化算法的论文, 主要内容为生产车间作业排产问题是企业生产活动的一个重要研究领域,它在离散制造业和流程制造业中都广泛存在,而多目标柔性作业排产是经典作业车间排产问题的重要扩展,它在体现生产柔性的同时,综合考虑企业各部门对排产决策的期望,能更好地适应现代制造系统的需求。由于多目标柔性作业排产问题属于NP难题,所以研究者在研究时不企图在多项式时间内求得问题的最优解,而是在计算时间和计算效果之间寻求折中,争取用较小的计算量得到近优解或者满意解,因此大多数研究者用启发式方法近似求解此类问题。进化算法目前在排产问题研究中的运用得到了广泛的关注。本文采用带有局部搜索的进化算法来解决多目标柔性作业排产问题。文章首先在综述国内外关于车间排产问题研究文献的基础上,对多目标柔性作业排产问题的研究现状进行了分析,接下来介绍了采用算法的基础,然后针对现实中多目标柔性作业排产问题关注的主要指标,建立了问题模型,并对模型设计了基于进化算法的解决方法。最后运用标准以及实际中的算例进行验证,证明了所提方法的可行性和有效性。本文主要完成了以下几个方面的研究工作： (1)针对现实中关注的多目标柔性作业排产问题的主要指标,建立了包括时间、设备利用率在内的数学模型。 (2)结合局部搜索与进化算法的优点提出具有局部搜索的进化算法,以提高搜索效率和搜索质量。并对该算法在多目标柔性作业车间排产优化的应用时的操作进行了详细设计。 (3)仿真结果表明,提出的进化算法可以有效解决多目标柔性作业车间排产问题。用该算法求解标准以及实际的排产算例,说明了方法的合理性。

基于数据智能的客户购车偏好模型构建及客户资源分析系统

这是一篇关于产业链协同,支持向量机,B2B,信息共享,进化算法的论文, 主要内容为近年来,随着经济的发展,中国汽车产业也迎来了新的发展机遇与挑战。随着生活水平的提高,越来越多的家庭开始购买不止一辆车。庞大的需求也促进了国内汽车制造商的蓬勃发展,同时世界各品牌的汽车制造厂也纷纷进入中国市场。然而无论是国内企业还是国外企业,产业的差异性越来越小,使得原来依赖于成本优势来提高竞争力的模式逐渐失效。目前企业把重心放在客户体验和需求以及如何提高汽车产品的设计。本文以AA企业为原型,对其整车销售和营销模式进行分析。目前产业链协同平台已完善了汽车制造厂从生产到入库以及汽车经销商从下销售订单计划到销售结束的业务流程。然而,由于缺乏足够的数据分析支持,汽车制造厂和经销商往往不能估计到客户的真实需求。也不能准确的从海量的客户资源中挖掘出潜在客户。因此本文为解决该类问题,提出构建基于数据智能的客户购车偏好以及客户资源分析系统。随后分析了现存的整车销售与营销模式的需求。随后本文提出一种新的混合优化算法,该算法利用遗传算法在解决离散问题上的优势和群体智能算法在解决连续问题上的优势相结合。该算法通过寻找最优特征子集和最优支持向量机参数配置(惩罚参数和核函数参数)来优化支持向量机。该算法的主要创新在于提出了三个并行的操作层。其中两个层是遗传算法操作层和群体算法操作层。第三个层是协调层,主要负责接收其他两个层的个体信息并组合成新的个体信息进行评估。随后将评估结果返回给其他两个层。因此当该算法优化SVM时,不需要额外的映射函数来将离散变量转化为连续变量或是连续变量转化为离散变量。最后该算法被成功应用到产业链协同客户购车偏好中。此外,本文使用C#语言,采用基于B/S模式的三层架构,根据系统需求实现了基础数据管理模块、系统管理模块、客户购车偏好算法配置模块等功能,并实现了多维图表和可视化界面的展示。

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。

基于多目标进化算法的神经网络结构搜索研究

这是一篇关于自动机器学习,神经网络结构搜索,进化算法,代理模型的论文, 主要内容为近年来,深度学习相关的研究工作取得了巨大的成功,深度学习算法的应用在日常生活中变得越来越重要。然而,设计和构建神经网络模型依赖大量专业人员以及消耗大量的时间和精力。并且,随着任务越来越复杂,神经网络模型的结构也越来越复杂,高度依赖专业知识和高构建成本的问题也变得越来越明显。因此,自动机器学习(Automated Machine Learning,AutoML)概念被提出,许多研究人员开始尝试利用算法自动构建深度学习模型。神经网络结构搜索作为自动机器学习的重要一部分,在最近几年也得到了巨大的发展。其中,基于进化算法的神经网络结构搜索方法,因其良好的效果,备受研究人员关注。然而,现有基于进化算法的方法存在神经网络结构表示不灵活的问题,并且庞大的搜索空间导致搜索算法效率很低。本文工作主要是对上述两个问题,分别提出了可有效解决以上问题的神经网络结构编码策略和搜索策略。(1)为了解决神经网络结构表示不灵活的问题,本文提出了基于动作指令的神经网络结构编码策略ACEncoding。在进化算法中,一个好的编码策略可以大大提升搜索算法的性能。ACEncoding是一种借鉴蛋白质表达方式的模块化编码策略,它把神经网络的构建总结为2种基本动作和5种由基本动作衍生出来的组合动作。每个特定的动作由三位符号表示,第1位表示特定的动作,第2、3位表示执行具体动作所需要的参数。相比较于其他的编码策略,ACEncoding编码策略拥有更紧凑的搜索空间,可以用较短编码表示更复杂神经网络结构。并且,由于ACEncoding编码策略模块化的特性,该策略还可以根据特定任务进行扩展。此外,为了降低神经网络模型的评价耗时提高搜索效率,本文还提出了一个用于评价神经网络结构性能的代理模型Seq2Rank。Seq2Rank是一个可以接受变长输入的代理模型,相比于传统神经网络评价策略,Seq2Rank在保证性能几乎不下降的同时,显著地提升搜索速度。(2)为了解决庞大的搜索空间导致搜索算法效率低下的问题,本文提出了基于多目标进化算法的知识迁移神经网络结构搜索算法Transfer NAS。Transfer NAS算法利用预学习策略在简单任务上学习知识并构建知识图谱。知识图谱会利用在简单任务学习到的知识辅助搜索算法快速定位庞大搜索空间中可能存在更优解的区域并排除那些无意义的搜索区域,从而指导搜索算法在庞大搜索空间进行快速探索。同时,为了削弱简单任务和复杂任务之间的偏差,知识图谱会在进化算法每一轮进化过程中根据搜索结果动态更新学习到的知识,保证知识图谱的有效性。实验表明,相比较于现有的神经网络结构搜索算法,Transfer NAS具有更快的收敛速度,可以在搜索初期便搜索到现有算法算法需要在中后期才能搜索到的相同性能神经网络结构。

网约车共享路径规划研究

这是一篇关于订单指派,路径规划,多目标,进化算法,矩阵划分的论文, 主要内容为网约车共享在很大程度上缓解了出行、环境和资源压力,网约车共享工作主要有两个方面:订单指派和路径规划。本文从这两方面出发,同时兼顾乘客和司机的利益,提出了基于矩阵划分的多目标订单指派算法(Matrix Partition-based Multi-Objective Order Assignment Algorithm,MPB-MOOAA)和基于地标分段的多目标路径规划算法(Landmark Segmentation-based Multi-Objective Route Planning Algorithm,LSBMORPA),从而解决共享环境下的订单指派和路径规划问题,主要研究工作如下:1.以最大服务质量和最大共享里程率为目标,建立了多目标订单指派问题优化模型,并提出MPB-MOOAA对该模型进行求解。该算法首先采用两点间近似最短距离以代替计算昂贵的最短路径距离,从而降低了算法的时间复杂度;其次采用关系矩阵划分算法,使具有相似旅程的乘客和司机聚集起来,从而将一个矩阵分解为多个小矩阵进行处理,大幅度缩小了问题规模;最后提出了矩阵压缩机制减少了解的存储空间,从而降低了算法的空间复杂度。实验结果表明,MPB-MOOAA适用于不同实际场景,相比其他经典的多目标进化算法在处理订单指派问题上更具优势。2.以最小行驶距离和最大可兼容乘客数为目标,建立了多目标路径规划问题优化模型,并提出了LSB-MORPA对该模型进行求解。该算法以进化算法为基本算法,在初始解构造中引入双向随机游走思想,设计了全新的交叉和变异算子,预测了非支配解集,从而平衡了行驶距离和载客数之间的关系。为了提高推荐路径的效率和多样性,该算法通过引入地标对路径进行了分段处理,提高了路径覆盖乘客率。实验结果表明,LSB-MORPA解的多样性和收敛性较好,相比未引入地标的算法,引入地标的算法非支配路径推荐成功率明显提高。3.实现了网约车路径规划系统。基于开源的j Metal框架实现了MPB-MOOAA和LSB-MORPA,为了使其更适合处理路径规划问题,在j Metal框架中增加了新的交叉算子和变异算子。使用JSP结合Servlet实现了网约车共享路径规划系统可视化展示。

基于进化算法的多目标柔性作业排产优化研究

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。

协同过滤推荐系统中虚拟信息核的构建与优化

这是一篇关于推荐系统,协同过滤,虚拟用户,虚拟信息核,聚类,进化算法,多臂赌博机的论文, 主要内容为推荐系统是一种信息过滤系统,它通过分析用户的历史行为数据,帮助用户过滤掉海量数据中的垃圾信息,并为用户推荐合适的物品。协同过滤算法是推荐系统中应用最广泛的算法之一,它通过分析邻居用户的偏好信息来预测用户对物品的未知评分。但随着数据规模的增大,该算法也暴露出一些典型问题,如数据稀疏、可扩展性问题等。为了缓解上述问题,基于信息核的协同过滤算法被提出,其中信息核是通过消除一些潜在的噪声用户而获得的具有更多有用信息的一组真实用户。然而,由于丢失了用户的信息,由真实用户组成的信息核获得的推荐精度通常偏低。为克服这一缺点,本文提出了几种基于虚拟用户组成的虚拟信息核的推荐方法,在获取更高的推荐精度的同时,进一步缓解了可扩展性问题。本文主要从两方面出发:第一是构建出包含推荐信息更丰富的虚拟用户;第二是选取部分虚拟用户组成虚拟信息核,以更少的用户实现更好的推荐效果。具体包括以下内容:(1)提出了一种基于聚类及进化算法的虚拟信息核优化。首先,通过t-SNE算法将评分矩阵降维,获取用户的低维矩阵。然后,为了让用户信息被充分利用,基于用户的低维矩阵将用户多次重复聚类。最后,将聚类中心组成虚拟用户集,并基于进化算法从用户集中选取虚拟信息核。在计算适应度函数值时,通过构建规模更小的训练集和验证集来降低适应度评价代价并加快算法效率。实验结果表明本方法具有出色的推荐效果。(2)提出了一种基于聚类及多臂赌博机的虚拟信息核构建方法。该方法是在第一个方法基础上的改进,主要研究动机是提高虚拟信息核的选取效率。首先,基于已经获得的虚拟用户集,提出了利用多赌博赌博机选取虚拟信息核,通过ε-greedy算法实现赌博机的利用与探索过程,并重新定义了赌博机的奖赏机制,减轻了噪声反馈结果的影响。然后,根据评分预测偏差来更新每个臂的奖赏信息,从而获得虚拟用户的信任值。最后,利用信任值较大的一些虚拟用户组成虚拟信息核。实验结果充分说明了本方法选取出的虚拟信息核的推荐精度更高,且选取效率有了明显的提高。(3)提出了一种基于用户相似度及多臂赌博机的推荐方法。该方法是对第二个方法在构建时间和推荐精度上继续改进。首先,利用多臂赌博机从真实用户集中选取部分用户作为初始用户,并将其作为初始聚类中心。然后,根据与初始用户的相似度,将剩余用户重复分配至最相似的多个集群中。其次,更新每个集群的聚类中心,并将新的聚类中心组成虚拟用户集。最后,再次利用多臂赌博机选取虚拟用户组成虚拟信息核。实验结果表明本方法极大地缩短了构建虚拟用户的时间,提高了算法的效率,并且在推荐精度方面,本方法构建的虚拟用户取得了令人满意的结果。