CN109934330A - 基于多样化种群的果蝇优化算法来构建预测模型的方法 - Google Patents
基于多样化种群的果蝇优化算法来构建预测模型的方法 Download PDFInfo
- Publication number
- CN109934330A CN109934330A CN201910160269.9A CN201910160269A CN109934330A CN 109934330 A CN109934330 A CN 109934330A CN 201910160269 A CN201910160269 A CN 201910160269A CN 109934330 A CN109934330 A CN 109934330A
- Authority
- CN
- China
- Prior art keywords
- drosophila
- optimal
- population
- group
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多样化种群的果蝇优化算法来构建预测模型的方法，包括参数初始化；划分出四个果蝇群体，并确定四个果蝇群体中各自的果蝇个体搜索食物的方向和步长以及味道浓度判定值；将四个果蝇群体中各自的味道浓度判定值代入判定函数比较，分别求出每个种群的最优判定值；比较四个最优判定值，得到当代最优值，并将当代最优值来更新果蝇位置，向最优果蝇个体学习；将达到最大迭代次数时输出果蝇的位置为惩罚因子和核宽；基于惩罚因子和核宽，构建预测支持向量机模型和/或预测极限学习机模型。实施本发明，能有效地降低数据搜索过程中的错误率，并且提高了收敛速度，在实际应用当中效果更加明显。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于多样化种群的果蝇优化算法来构建预测模型的方法。
背景技术
果蝇优化算法(FOA)是一种基于果蝇觅食行为推演出寻求全局优化的新方法。该算法与其他智能算法相比，具有算法简单、参数少、易调节、计算量小、寻优精度较高优点，已被广泛应用于科学和工程领域。目前，已将其成功应用于求解数学函数极值、优化神经网络参数(BP神经网络、广义回归神经网络、灰色神经网络)。
但随着工程问题的快速变化，越来越复杂的问题不断的涌现。果蝇优化算法在这样的问题背景下越来越难以满足人们的需要。尤其在涉及复杂的高纬度和多极值优化问题时，果蝇优化算法很可能会陷入早熟，搜索速度慢、效率低的困境，且寻优结果可能达不到精度要求。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于多样化种群的果蝇优化算法来构建预测模型的方法，能有效地降低数据搜索过程中的错误率，并且提高了收敛速度，在实际应用当中效果更加明显。
为了解决上述技术问题，本发明实施例提供了一种基于多样化种群的果蝇优化算法来构建预测模型的方法，所述方法包括以下步骤：
步骤S1：参数初始化；给定群体规模Sizepop，最大迭代次数Maxgen，以及随机化得到的初始化果蝇群体的位置X_axis和Y_axis；
步骤S2：划分出四个果蝇群体G1-G4，并确定所述四个果蝇群体G1-G4中各自的果蝇个体搜索食物的方向和步长以及味道浓度判定值；
(1)种群G1：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(4)种群G2：
①果蝇个体搜索食物的方向和步长；
其中Xb_axis和Yb_axis为原始果蝇位置，Xc_axis和Yc_axis为变
异果蝇位置。A为混沌参数，其变化函数为A＝g/Maxgen，其中g为正在进行的迭代次数；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(5)种群G3：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
(4)种群G4：
①利用视觉以不同方向朝果蝇群体最优位置前进，并与自身前代的适应值相比较，若比较结果显示该值连续k＝3次未有得到提升，则将其视为淘汰个体，重新赋予新的位置，确定新的前进方向；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
步骤S3：将所述四个果蝇群体G1-G4中各自的味道浓度判定值Si代入公式(1)中的判定函数比较，并利用公式(2)-(3)分别求出所述四个果蝇群体G1-G4中每个种群的最优判定值bestSmell；
Smelli，j＝Fitnessfunction(Si，j) (1)
[bestSmell bestIndex]＝max(Smell)； (2)
Xaxis＝Xbestindex，Yaxis＝Ybestindex (3)
步骤S4：比较所求出的四个最优判定值，得到当代最优值，并基于公式(5)将所得到的当代最优值来更新果蝇位置，向最优果蝇个体学习；
步骤S5：判断是否达到了最大迭代次数Maxgen；若否，则重复步骤S2-S4，进行下一次迭代操作；若是，则跳转到步骤S6；
步骤S6：输出步骤S4中果蝇的位置为惩罚因子C和核宽γ的值；
步骤S7：将步骤S6获得的最优惩罚因子C和核宽γ，用于构建最优分类函数公式(5)以预测支持向量机模型和/或用于构建最优分类函数公式(6)以预测极限学习机模型；
式(3)和(4)中，E(xt，yf)＝exp(-γ||xt-xf||)，αt为拉格朗日系数，b为阈值，xi为待测试样本(t＝1…n)，n为样本个体数，yj表示与训练样本相对应的标签，yi(j＝1…n)取值为1和-1，其中1表示当前样本个体为正类样本，-1表示当前样本个体为负类样本；ΩELM为符合Mercer定理构造的核函数，T表示目标向量，T＝[t1，t2，…，tn]。
其中，所述果蝇群体G1为原始果蝇群体、所述果蝇群体G2为混沌果蝇群体、所述果蝇群体G3为嗅觉灵敏果蝇群体以及所述果蝇群体G4为淘汰机制果蝇群体。
实施本发明实施例，具有如下有益效果：
本发明存在四种不同果蝇种群(普通果蝇，混沌果蝇，淘汰果蝇，嗅觉加强果蝇)，通过在混沌果蝇中加入了混沌机制，将混沌扰动策略融入到FOA算法，利用该策略对FOA算法的迭代中的最优个体在一定空间内进行遍历搜索，以获得相对较优的果蝇个体，同时通过在淘汰果蝇种群中加入了淘汰机制来调整果蝇的搜索方向，还在嗅觉加强果蝇中改进了果蝇的味道浓度判定的方法，使得果蝇的嗅觉灵敏度得到较大的提升，另外在每一组果蝇中都优化了搜索的步长，平衡了算法的全局搜索能力和局部搜索能力，提高了算法收敛速度，有效的避免了搜索陷入局部最优，提高了收敛速度，从而可以保证搜索的精确度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于多样化种群的果蝇优化算法来构建预测模型的方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于多样化种群的果蝇优化算法来构建预测模型的方法，所述方法包括以下步骤：
步骤S1：参数初始化；给定群体规模Sizepop，最大迭代次数Maxgen，以及随机化得到的初始化果蝇群体的位置X_axis和Y_axis；
步骤S2：划分出四个果蝇群体G1-G4，并确定所述四个果蝇群体G1-G4中各自的果蝇个体搜索食物的方向和步长以及味道浓度判定值；
(1)种群G1：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(6)种群G2：
①果蝇个体搜索食物的方向和步长；
其中Xb_axis和Yb_axis为原始果蝇位置，Xc_axis和Yc_axis为变
异果蝇位置。A为混沌参数，其变化函数为A＝g/Maxgen，其中g为正在进行的迭代次数；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(7)种群G3：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
(4)种群G4：
①利用视觉以不同方向朝果蝇群体最优位置前进，并与自身前代的适应值相比较，若比较结果显示该值连续k＝3次未有得到提升，则将其视为淘汰个体，重新赋予新的位置，确定新的前进方向；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
步骤S3：将所述四个果蝇群体G1-G4中各自的味道浓度判定值Si代入公式(1)中的判定函数比较，并利用公式(2)-(3)分别求出所述四个果蝇群体G1-G4中每个种群的最优判定值bestSmell；
Smelli，j＝Fitness function(Si，j) (1)
[bestSmell bestIndex]＝max(Smell)； (2)
Xaxis＝Xbestindex，Yaxis＝Ybestindex (3)
步骤S4：比较所求出的四个最优判定值，得到当代最优值，并基于公式(5)将所得到的当代最优值来更新果蝇位置，向最优果蝇个体学习；
步骤S5：判断是否达到了最大迭代次数Maxgen；若否，则重复步骤S2-S4，进行下一次迭代操作；若是，则跳转到步骤S6；
步骤S6：输出步骤S4中果蝇的位置为惩罚因子C和核宽γ的值；
步骤S7：将步骤S6获得的最优惩罚因子C和核宽γ，用于构建最优分类函数公式(5)以预测支持向量机模型和/或用于构建最优分类函数公式(6)以预测极限学习机模型；
式(3)和(4)中，E(xt，yj)＝exp(-γ||xi-xj||)，ai为拉格朗日系数，b为阈值，xi为待测试样本(l-1…n)，n为样本个体数，yj表示与训练样本相对应的标签，yi(j＝1…n)取值为1和-1，其中1表示当前样本个体为正类样本，-1表示当前样本个体为负类样本；ΩELM为符合Mercer定理构造的核函数，T表示目标向量，T＝[t1，t2，…，tn]。
其中，所述果蝇群体G1为原始果蝇群体、所述果蝇群体G2为混沌果蝇群体、所述果蝇群体G3为嗅觉灵敏果蝇群体以及所述果蝇群体G4为淘汰机制果蝇群体。
在本发明实施例中，混沌果蝇引入了混沌机制，当搜索过程中，陷入局部最优时，将果蝇个体位置映射到混沌区间内，使得果蝇个体新位置呈现遍历性、多样性和随机性以跳出局部最优，能在全局范围内搜寻最优解；嗅觉灵敏果蝇改变味道浓度判定值，使得其对整个搜索过程中的变化更加灵敏，加快收敛速度，能够更快地搜索到最优解；淘汰机制果蝇利用视觉以不同方向朝果蝇群体最优位置前进，并与自身前代的适应值相比较，若比较结果显示该值连续k次未有得到提升(k一般取经验值3)，则将其视为淘汰个体，重新赋予新的位置，确定新的前进方向，在算法后期，能有效地在最优值附近进行多方位精密的局部搜索。
在本发明实施例中，对基于多样化种群的果蝇优化算法来构建预测模型的方法的应用场景做进一步说明：
采用乳腺癌数据作为样本数据，样本集合这样表示：(xi，yi)，i＝1......699,其中‘xi’表示9维的特征向量，y是值为1或-1的样本标签，‘1’代表该样本是患乳腺癌，‘-1’代表该患者是健康的。
首先，将待实验样本数据各个特征属性值进行标准化，利用公式对样本数据进行标准化，其中Si代表样本中的属性的特征原始值，S′i是Si由公式所得到的标准化后的值，Smin表示对应的样本数据中的最小值，Smax表示对应的样本数据中的最大值；
随后，利用基于多样化种群的果蝇优化算法优化支持向量机的惩罚系数C和核宽γ，即在训练的同时采用具备普通果蝇，混沌果蝇，淘汰果蝇，嗅觉加强果蝇等四种果蝇群体的FOA算法对于其中两个关键性的参数进行优化，期望获得最佳的智能分类模型，模型构建好后，在用剩余的数据作为测试数据，对于构建的智能决策模型的性能进行评估；
输入训练样本(xi，yi)，且依据Largrange对偶问题优化的问题变为：
然后，对于以上的优化问题采用多样化种群的果蝇优化算法对C和γ(是径向基核函数参数核宽K(xi,xj)＝exp(-γ||xi-xj||2))进行优化，并求解出最优解的值为：a*＝(a1 *,a2 *,...,a* 699)T；
则有如下解：那么最终的最优分类超平面函数为：
实施本发明实施例，具有如下有益效果：
本发明存在四种不同果蝇种群(普通果蝇，混沌果蝇，淘汰果蝇，嗅觉加强果蝇)，通过在混沌果蝇中加入了混沌机制，将混沌扰动策略融入到FOA算法，利用该策略对FOA算法的迭代中的最优个体在一定空间内进行遍历搜索，以获得相对较优的果蝇个体，同时通过在淘汰果蝇种群中加入了淘汰机制来调整果蝇的搜索方向，还在嗅觉加强果蝇中改进了果蝇的味道浓度判定的方法，使得果蝇的嗅觉灵敏度得到较大的提升，另外在每一组果蝇中都优化了搜索的步长，平衡了算法的全局搜索能力和局部搜索能力，提高了算法收敛速度，有效的避免了搜索陷入局部最优，提高了收敛速度，从而可以保证搜索的精确度和效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (2)
1.一种基于多样化种群的果蝇优化算法来构建预测模型的方法，其特征在于，所述方法包括以下步骤：
步骤S1：参数初始化；给定群体规模Sizepop，最大迭代次数Maxgen，以及随机化得到的初始化果蝇群体的位置X_axis和Y_axis；
步骤S2：划分出四个果蝇群体G1-G4，并确定所述四个果蝇群体G1-G4中各自的果蝇个体搜索食物的方向和步长以及味道浓度判定值；
(1)种群G1：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(2)种群G2：
①果蝇个体搜索食物的方向和步长；
其中Xb_axis和Yb_axis为原始果蝇位置，Xc_axis和Yc_axis为变异果蝇位置；A为混沌参数，其变化函数为A＝g/Maxgen，其中g为正在进行的迭代次数；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
Si＝1/Disti
(3)种群G3：
①果蝇个体搜索食物的方向和步长；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
(4)种群G4：
①利用视觉以不同方向朝果蝇群体最优位置前进，并与自身前代的适应值相比较，若比较结果显示该值连续k＝3次未有得到提升，则将其视为淘汰个体，重新赋予新的位置，确定新的前进方向；
②估计与原点之间的距离Disti，再使用距离的倒数作为味道浓度判定值Si；
步骤S3：将所述四个果蝇群体G1-G4中各自的味道浓度判定值Si代入公式(1)中的判定函数比较，并利用公式(2)-(3)分别求出所述四个果蝇群体G1-G4中每个种群的最优判定值bestSmell；
smelli，j＝Fitness function(Si，j) (1)
[bestSmell bestIndex]＝max(Smell)； (2)
Xaxis＝Xbestindex，Yaxis＝Ybestindex (3)
步骤S4：比较所求出的四个最优判定值，得到当代最优值，并基于公式(5)将所得到的当代最优值来更新果蝇位置，向最优果蝇个体学习；
步骤S5：判断是否达到了最大迭代次数Maxgen；若否，则重复步骤S2-S4，进行下一次迭代操作；若是，则跳转到步骤S6；
步骤S6：输出步骤S4中果蝇的位置为惩罚因子C和核宽γ的值；
步骤S7：将步骤S6获得的最优惩罚因子C和核宽γ，用于构建最优分类函数公式(5)以预测支持向量机模型和/或用于构建最优分类函数公式(6)以预测极限学习机模型；
式(3)和(4)中，E(xt-yf)＝exp(-γ||xt-xf||)，at为拉格朗日系数，h为阈值，xi为待测试样本(l-1…n)，n为样本个体数，yj表示与训练样本相对应的标签，yi(j＝1…n)取值为1和-1，其中1表示当前样本个体为正类样本，-1表示当前样本个体为负类样本；为符合Mercer定理构造的核函数，T表示目标向量，T＝[t1，t2，…，tn]。
2.如权利要求1所述的基于多样化种群的果蝇优化算法来构建预测模型的方法，其特征在于，所述果蝇群体G1为原始果蝇群体、所述果蝇群体G2为混沌果蝇群体、所述果蝇群体G3为嗅觉灵敏果蝇群体以及所述果蝇群体G4为淘汰机制果蝇群体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160269.9A CN109934330A (zh) | 2019-03-04 | 2019-03-04 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160269.9A CN109934330A (zh) | 2019-03-04 | 2019-03-04 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109934330A true CN109934330A (zh) | 2019-06-25 |
Family
ID=66986333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910160269.9A Pending CN109934330A (zh) | 2019-03-04 | 2019-03-04 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934330A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110243595A (zh) * | 2019-07-09 | 2019-09-17 | 福州大学 | 一种基于LabVIEW的远程齿轮箱故障监测系统 |
| CN110430579A (zh) * | 2019-08-17 | 2019-11-08 | 温州大学 | 基于果蝇优化的非均匀环境的无线ap部署优化方法 |
| CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
| CN112180122A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
| CN113222172A (zh) * | 2021-04-21 | 2021-08-06 | 深圳供电局有限公司 | 基于果蝇算法的触电预警方法及装置 |
| CN113505914A (zh) * | 2021-06-17 | 2021-10-15 | 广东工业大学 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
| CN114154679A (zh) * | 2021-10-22 | 2022-03-08 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
| CN117592760A (zh) * | 2024-01-18 | 2024-02-23 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108063452A (zh) * | 2017-12-04 | 2018-05-22 | 广东电网有限责任公司电力科学研究院 | 基于自适应混沌果蝇优化算法的配电网最优孤岛划分方法 |
| CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
-
2019
- 2019-03-04 CN CN201910160269.9A patent/CN109934330A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108063452A (zh) * | 2017-12-04 | 2018-05-22 | 广东电网有限责任公司电力科学研究院 | 基于自适应混沌果蝇优化算法的配电网最优孤岛划分方法 |
| CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| LEI ZHANG 等: "SVM and ELM: Who Wins? Object Recognition with Deep Convolutional Features from ImageNet", 《SPRINGER LINK》 * |
| LIMING SHEN 等: "Evolving support vector machines using fruit fly optimization for medical data classification", 《ELSEVIER》 * |
| 邹建 等: "多样性种群果蝇优化算法", 《现代电信科技》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110243595A (zh) * | 2019-07-09 | 2019-09-17 | 福州大学 | 一种基于LabVIEW的远程齿轮箱故障监测系统 |
| CN110430579A (zh) * | 2019-08-17 | 2019-11-08 | 温州大学 | 基于果蝇优化的非均匀环境的无线ap部署优化方法 |
| CN110430579B (zh) * | 2019-08-17 | 2020-06-30 | 温州大学 | 基于果蝇优化的非均匀环境的无线ap部署优化方法 |
| CN111372260B (zh) * | 2020-03-09 | 2021-09-07 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
| CN111372260A (zh) * | 2020-03-09 | 2020-07-03 | 西安交通大学 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
| CN112180122A (zh) * | 2020-09-28 | 2021-01-05 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
| CN112180122B (zh) * | 2020-09-28 | 2022-07-12 | 中国人民解放军海军航空大学 | 一种基于改进果蝇优化算法的mems加速度计无转台标定方法 |
| CN113222172A (zh) * | 2021-04-21 | 2021-08-06 | 深圳供电局有限公司 | 基于果蝇算法的触电预警方法及装置 |
| CN113505914A (zh) * | 2021-06-17 | 2021-10-15 | 广东工业大学 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
| CN113505914B (zh) * | 2021-06-17 | 2023-05-26 | 广东工业大学 | 优化svm的注塑机液压系统能耗预测方法、系统和设备 |
| CN114154679A (zh) * | 2021-10-22 | 2022-03-08 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
| CN114154679B (zh) * | 2021-10-22 | 2024-01-26 | 南京华盾电力信息安全测评有限公司 | 一种基于Spark的PCFOA-KELM风功率预测方法及装置 |
| CN117592760A (zh) * | 2024-01-18 | 2024-02-23 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
| CN117592760B (zh) * | 2024-01-18 | 2024-04-09 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934330A (zh) | 基于多样化种群的果蝇优化算法来构建预测模型的方法 | |
| US11487950B2 (en) | Autonomous evolution intelligent dialogue method, system, and device based on a game with a physical environment | |
| CN113544703B (zh) | 高效的离策略信用分配 | |
| CN109783817B (zh) | 一种基于深度强化学习的文本语义相似计算模型 | |
| US10460230B2 (en) | Reducing computations in a neural network | |
| CN111914944B (zh) | 基于动态样本选择和损失一致性的物体检测方法和系统 | |
| CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
| US20220414426A1 (en) | Neural Architecture Search Method and Apparatus, Device, and Medium | |
| CN107357757B (zh) | 一种基于深度增强学习的代数应用题自动求解器 | |
| CN109284860A (zh) | 一种基于正交反向樽海鞘优化算法的预测方法 | |
| CN110428046B (zh) | 神经网络结构的获取方法及装置、存储介质 | |
| CN111406264A (zh) | 神经架构搜索 | |
| CN113392971B (zh) | 策略网络训练方法、装置、设备及可读存储介质 | |
| GB2601663A (en) | Automated neural network generation using fitness estimation | |
| US20180276105A1 (en) | Active learning source code review framework | |
| CN106203534A (zh) | 一种基于Boosting的代价敏感软件缺陷预测方法 | |
| WO2022068934A1 (en) | Method of neural architecture search using continuous action reinforcement learning | |
| CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
| EP3649582A1 (en) | System and method for automatic building of learning machines using learning machines | |
| JP2022541370A (ja) | データ強化ポリシーの更新方法、装置、デバイス及び記憶媒体 | |
| US20200349416A1 (en) | Determining computer-executed ensemble model | |
| CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
| CN114511083A (zh) | 一种模型的训练方法、装置、存储介质及电子装置 | |
| CN112131089B (zh) | 软件缺陷预测的方法、分类器、计算机设备及存储介质 | |
| CN110489435B (zh) | 基于人工智能的数据处理方法、装置、及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |