研究生中期报告 图文

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

算法最简模型研究
进化计算的最简模型研究
● 复杂的算法有时对实践者并不友好。一些算法要求从业者非常小心地调 整参数,因为它们的性能可能会剧烈地波动。一些算法需要实践者具有 深厚的数学基础才能理解它们的机制。一些算法由于其计算复杂度为超 线性,不能直接应用于大规模的应用中。这些因素限制了这些算法在实 际应用中的使用。
algorithm is tested on 14 well known test functions. and is compared with original
MQHOA and several other metaheuristics. Firs the authors apply their algorithm on
functions with dimension 60 and after with dimension 200 and Rastring function
with dimension 500 too. The paper s well written and structured. I have not serious
● Bo Li, Peng Wang, Jin Jin, Multiscale Quantum Harmonic Oscillator
Algorithm With Strict Metastability Constraints for Multi-Modal Optimization, IEEE Access, 2019, 7(1): 17377-17388
待发表
遇到的问题及规划
● 问题:在大规模优化中在测试集中的测试动辙一周左右的时间。算法的 时间复杂度有待优化。
● 规划:用并行化实现大规模优化算法并对算法的应用进行探索
○ 并行化 ○ 在数据聚类上的应用探索,在频繁项集上的应用探索
非常感谢,请各位老师批评指正。
ຫໍສະໝຸດ Baidu
● 这一部分的研究为量子启发式优化算法的最简模型
算法解决的问题
实验结果
实验结果
工程优化实例
● 目标函数
实验结果
总结
● 针对算法物理模型的研究 ● 进化计算本身关键问题的研究,信息的利用问题。即为深度样本代替随
机样本。 ● 下一步的工作为: ● 进化计算在大规模优化中的应用
○ CMA-ES算法的研究及模拟梯度信息的利用,依然属于信息的利用率问题。
● Potential well analysis of multi scale quantum harmonic oscillator
algorithms[C]//11th International Symposium on Intelligence Computation and Applications
○ 目前已完成部分,实验的设计及初稿的撰写。
取得的成果:已发表
● Peng Wang, Bo Li, Jin Jin, Lei Mu, Gang Xin, Yan Huang and Xinggui Ye,
Multi-scale quantum harmonic oscillator algorithm with individual stabilization strategy,The Ninth International Conference on Swarm Intelligence ,ICSI 2018, LNCS 10941, 624–633. https://doi.org/10.1007/978-3-319-93815-8 _ 59(20182605383449)
remarks.
研究过程中的想法
● 精英策略的缺点 ● 对优秀粒子信息的利用能够加快收敛,但是一些劣势粒子中也包含了大
量不做什么的信息。 ● 更进一步地利用所有的信息有利于算法的寻优
更进一步地
这一部分的研究正在进行,目前的状态改进了 代码,已做了测试结果。但是确实是比较慢。
下一步的设想: 1,用抽样的方法。 2,用并行的方法。
研究进展
● 量子启发式优化算法中势阱模型研究 ● 量子启发式优化算法信息利用问题研究 ● 量子启发式优化算法最小模型研究 ● 算法的应用研究
量子启发式优化算法中势阱模 型研究
量子启发式优化算法中势阱模型研究
● 多尺度量子谐振子算法(MQHOA)是一种基于量子谐振子波函数构建 的一种智能优化算法。势阱决定了波函数的形态。
第一个问题的解决方案:
第二个问题的解决方案
● 由个体采样到总体采样。 ● 采样由上一代种群信息决定。
Exploration and exploitation
实验结果
对于高维优化问题
● Reviewers comment ● Comments from the editors and reviewers: ● -Editor ● - This paper proposes a way to optimize MQHOA to further improve its performance. ● - However, the comparative studies are very weak. Authors are asked to make use of
中期报告
多尺度量子启发式优化算法势阱模型研究
金瑾
研究背景
课题研究的问题为最优化问题:属于机器学习在 工业、社会、经济、管理等各个领域得到了广泛 的应用。
➔ 提出最优化问题
不同学科的问题大多可以归结为最优化问 题。
➔ 构造目标函数
把最优化问题构造成合适的目标函数,使 这个目标函数取到极值的解为目标。
基本理论研究:
算法基本理论研究: MQHOA算法势阱模型分析:
● 从泰勒近似的角度看,MQHOA算法采用谐振子势阱是对目标函数更为 精细的逼近
实验结果
● 双阱函数测试收敛性能 ● Particle number set to k = 8, search
space is [- 3,3], ν = 6, a = 2, and δ = 0.3. This figure shows the wave function at iterations 7, 16, and 19 for different potential wells.
➔ 求解目标函数
找到一个能让这个目标函数取到极值的解 的方法。
最优化问题的形式化表示: max f(x) 或 min f(x)
比如现在的机器学习算法,大 部分的机器学习算法的本质都 是建立优化模型,通过最优化 方法对目标函数进行优化。
目录
● 1. 算法的研究进展。 ● 2. 研究取得的成果。 ● 3. 遇到的问题及规划。
one full CEC benchmark and compare with best performing algorithms during the
competition ass well as top DE (L-SHADE family), PSO (HCLPSO, Ensemble PSO, etc.)
variants too. All algorithms must be fairly tuned.
● -Reviewer 1 ● - The authors propose an algorithm, which is a combination between MQHOA and
guidance information in the evolutionary process of the algorithm. The proposed
正确率 和 迭代次数
与其它算法比较
研究成果情况
● 经历2区SCI的2次大修 ● 目前在审稿中。
在这部分的研究中发现的问题?
● 这部分算法采用的结束条件为精度 10e-6。 ● 查看收敛过程时候发现大量的重复或相近值
算法信息利用模型研究
算法信息历用关键技术研究
● 原MQHOA算法存在的问题? ● 算法迭代尺度2^n 下降 ● 算法迭代过程中对信息的利用率低。
相关文档
最新文档