CN111709526A - 一种基于多因子迁移学习的多模多目标演化算法 - Google Patents
一种基于多因子迁移学习的多模多目标演化算法 Download PDFInfo
- Publication number
- CN111709526A CN111709526A CN202010427135.1A CN202010427135A CN111709526A CN 111709526 A CN111709526 A CN 111709526A CN 202010427135 A CN202010427135 A CN 202010427135A CN 111709526 A CN111709526 A CN 111709526A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- individual
- skill
- factor
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000013526 transfer learning Methods 0.000 title claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000013011 mating Effects 0.000 claims abstract description 7
- 230000008303 genetic mechanism Effects 0.000 claims abstract description 6
- 238000009395 breeding Methods 0.000 claims abstract description 4
- 230000001488 breeding effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000011451 sequencing strategy Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000013508 migration Methods 0.000 abstract description 5
- 230000005012 migration Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Complex Calculations (AREA)
Abstract
本发明实施例提供了一种基于多因子迁移学习的多模多目标演化算法，涉及演化计算领域。该方法包括：种群初始化，在搜索空间中随机生成N个个体作为初始种群；繁殖，采用选型交配的遗传机制针对每一个目标向量产生后代个体，新个体选择性地继承其父代个体的技能因子；更新，合并父代种群和子代种群并更新种群中个体的标量适应度值；选择，对合并后的种群依据个体标量适应度值对其排序选出较优的个体组成下一代种群判断是否满足终止条件。通过所述特殊点，实现优化问题间的信息迁移使得优化问题并行计算从而提高种群计算效率。
Description
技术领域
本发明涉及演化计算领域，特别是涉及一种多因子迁移学习的多模多目标演化算法。
背景技术
传统的演化算法的设计通常是一次有效地解决单个优化问题，然而在基于种群的搜索中，不同的优化问题之间具有并行性，相关问题之间存在有用的信息，可以用来提高解决问题的效率。多因子优化的思想启蒙于多任务优化领域，近年来，随着机器学习技术的飞速发展，利用不同任务之间的共性和差异来进行有效的学习的想法被广泛研究；
Jinbo等人提出了一组用于协同计算机辅助诊断的多任务学习算法，其目的是从医学图像中诊断多个与临床相关的异常结构。康等人介绍了一种多任务学习算法，该算法能在共享特征表示中检测任务之间的相关性，并将其用于手写体数字识别。Wang等人提出了一种多任务学习框架[40]，称为增强MTL，用于有限训练数据的人脸验证。基于多任务学习领域取得的一系列研究成果，学者们将其应用到计算智能的领域，尤其是基于种群的优化。Gupta等人首次提出一种用于进化多任务处理的多因子优化(MFO)范式。与传统的优化搜索相比，MFO同时在对应于不同任务或优化问题的多个搜索空间上进行进化搜索。并设计了一种多因子进化算法框架(MFEA)，初步研究了执行多因子优化的有效性；
目前，已有的MMEAs在解决单个多模多目标优化问题方面已取得了不错的效果。然而，这些算法运行一次只能解决单个优化问题，在优化问题数量规模大的情况下，对所有问题单独优化会导致计算效率低。此外，在基于种群的搜索中，不同的优化问题之间会存在相关性，即问题之间存在对互相有用的信息，挖掘这些潜在信息可以有效提高算法搜索效率。而如何高效且有效地挖掘并利用多模多目标优化问题之间的相关性在目前已有的MMEA中尚未得到充分的重视和有效地解决。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述提问题或者至少部分地解决上述问题的一种多因子迁移学习的多模多目标演化算法(An multi-factortransfered multimodal multiobjective evolution optimization，简称为MF_MMEA)；
不同于已有的MMEA，MF_MMEA引入了多因子优化技术，利用基于种群的搜索的隐含并行性来挖掘多个任务之间潜在的遗传互补性，使得单一种群可以同时解决多个优化问题。此外，为了加快种群收敛速度，提出一种两阶段的学习策略，即在优化初期及中期，使用多因子优化技术，使得多个优化问题共同解决；在优化后期，采用单问题优化方法，从而提高种群的局部搜索能力。
为了解决上述问题，本发明实施例公开了一种多因子迁移学习的多模多目标演化算法，包括以下步骤：
步骤1：种群初始化，在搜索空间中随机生成N个个体作为初始种群，使用基于双空间的排序策略对种群排序，并计算个体的标量适应度值和技能因子；
步骤2：繁殖，采用选型交配的遗传机制，针对每一个目标向量，产生后代个体，并且新个体选择性地继承其父代个体的技能因子；
步骤3：更新，合并父代种群和子代种群，更新种群中个体的标量适应度值；
步骤4：选择，对合并后的种群，依据个体标量适应度值对其排序，选出较优的个体组成下一代种群；
步骤5：判断是否满足终止条件，若函数评价次数，返回步骤2，其中为最大函数评价次数；
步骤6：若满足终止条件，再次利用基于双空间的排序策略对种群排序，划分子种群；
步骤7：使用传统的多模多目标差分演化算法优化子种群；
步骤8：判断是否满足终止条件，若函数评价次数，返回步骤7，其中为最大函数评价次数。
进一步地，步骤1所述种群初始化的详细过程为：
步骤1.1：初始化种群：使用随机键编码方式生成N个个体作为初始化种群，P＝{y1，y2，...yN}，初始个体维度为max{D}；
步骤1.2：初始种群评价；
步骤1.3：初始化函数评价次数：设置FES＝N*TaskNum；
步骤1.4：初始化迭代次数：G＝0。
进一步地，步骤1.2所述种群初始化的具体步骤为：
步骤1.2.1：随机键解码：将初始化种群中的随机键值，按照xi＝Li+(Ui-Li)×yi映射到某个实际优化任务的搜索空间；其中，xi是Tj对应的个体的第i维决策变量，Li和Ui分别是xi的下界和上界，yi是统一搜索空间中的一个随机键。
步骤1.2.2：初始种群排序：使用基于双空间的排序策略，针对不同优化问题，依次对种群排序。
步骤1.2.3：个体评价：依据步骤1.2.2的种群排序结果，计算个体的标量适应度值ψi和技能因子τi；
其中，标量适应度值ψi是根据个体pi所拥有的因子排序的列表{ri 1,ri 2,...,ri K}，选出其中最优的一个的倒数作为个体的标量适应度值，即ψi＝1/minj∈{1,...,K}{ri j}；个体pi的技能因子τi是指在所有优化任务中，该个体表现最优的一个任务。即τi＝argminj{ri j}。
进一步地，步骤2所述产生后代的详细过程为：
步骤2.1：利用选型交配的遗传机制和DE/rand/1/bin的变异策略产生新的个体；
步骤2.2：利用垂直文化转移使得新个体选择性地继承其父代个体的技能因子。
进一步地，步骤2.1所述使用选型交配的遗传机制和DE/rand/1/bin的变异策略产生新的个体，其具体做法为：
对于每个参与演化的目标个体i，产生一个随机数rand，若rand小于rmp，则变异策略中的两个差分项
和
来自不同于个体i的技能组，即
和
与i的技能因子不相同；
否则，所选取的差分项必须和i有相同的技能因子；
其中，F为缩放因子，i为当前个体的角标，r1，r2，r3为基向量与差分向量的角标，x为当前种群中的个体，v代表得到的变异向量。
进一步地，所述步骤2.2的具体做法是：
产生的后代个体直接继承父代个体的技能因子，而不需要在所有任务上评估后计算技能因子，若个体的父代拥有不同的技能因子，则随机继承其中一个。
本发明实施例包括以下优点：
引入了多因子优化技术，促进不同优化问题之间的信息迁移，提高了计算效率，使得单一种群可以同时解决多个优化问题；
提出双阶段优化策略，在演化后期加快种群收敛速度，提高了种群在单一问题上的收敛性能；
实现优化问题间的信息迁移使得优化问题并行计算从而提高种群计算效率。
附图说明
图1是本发明MF_MMEA的算法流程图；
图2是本发明MF_MMEA分别与SRMMODE、DN_NSGAII、TriMOEATAR、Mo_Ring_PSO_SCD和SOMPSO_MM运行时间对比图；
图3是本发明MF_MMEA在11个测试函数上的目标空间收敛曲线；
图4是本发明MF_MMEA在11个测试函数上的决策空间收敛曲线。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明做出进一步详细的说明。
参照图1，本发明的具体流程如下：
步骤1：初始化：在搜索空间中随机生成N个个体作为初始种群，使用基于双空间的排序策略对种群排序，并计算个体的标量适应度值和技能因子；
步骤1.1：初始化种群：使用随机键编码方式生成N个个体作为初始化种群，P＝{y1，y2，...yN}，初始个体维度为max{D}；
步骤1.2：初始种群评价：
步骤1.2.1：随机键解码：将初始化种群中的随机键值，按照xi＝Li+(Ui-Li)×yi映射到某个实际优化任务的搜索空间；
步骤1.2.2：初始种群排序：使用基于双空间的排序策略，针对不同优化问题，依次对种群排序；
步骤1.2.3：个体评价：依据步骤1.2.2中种群排序结果，计算个体的标量适应度值和技能因子；
步骤1.3：初始化函数评价次数：设置FES＝N*TaskNum；
步骤1.4：初始化迭代次数：G＝0。
步骤2：演化；
步骤2.1：选型交配：对于每个参与演化的目标个体i，产生一个随机数rand，若rand小于rmp，则变异策略中的两个差分项
和
来自不同于个体i的技能组，即
和
与i的技能因子不相同；
否则，所选取的差分项必须和i有相同的技能因子；
其中，F为缩放因子，i为当前个体的角标，r1，r2，r3为基向量与差分向量的角标，x为当前种群中的个体，v代表得到的变异向量。
步骤2.2：垂直文化转移：产生的后代个体直接继承父代个体的技能因子，而不需要在所有任务上评估后计算技能因子。若个体的父代拥有不同的技能因子，则随机继承其中一个。
步骤3：更新：合并父代种群和子代种群，更新种群中个体的标量适应度值。
步骤4：选择：对步骤3中合并后的种群，依据个体标量适应度值对其排序，选出较优的个体组成下一代种群；
步骤5：停止准则：若函数评价次数，停止整个循环，否则返回步骤2，其中为最大函数评价次数；
步骤6：若满足终止条件，再次利用基于双空间的排序策略对种群排序，划分子种群；
步骤7：使用传统的多模多目标差分演化算法优化子种群；
步骤8：判断是否满足终止条件，若函数评价次数，返回步骤7，其中为最大函数评价次数。
本发明的效果通过以下的仿真实验进一步说明。
首先给定测试函数：挑选部分多模多目标函数进行测试所提出算法的性能，具体如表1所示，其中第二列为真实的PS与PF。然后初始化算法参数：本次仿真中，测试函数的种群大小为400，最大函数评价次数为100000，差分策略中的变异因子为0.6，交叉算子为0.3。
实现优化问题间的信息迁移使得优化问题并行计算从而提高种群计算效率。
参照图2 表1具体的测试函数集
首先将MF_MMEA在11个基准测试函数集上的整体运行时间SRMMODE、DN_NSGAII、TriMoEATAR、Mo_Ring_PSO_SCD和SOMPSO_MM进行对比，图2给出了运行时间对比结果，黑色柱体是本发明MF_MMEA算法的运行时间，白色柱体分别SRMMODE、DN_NSGAII、TriMoEATAR、Mo_Ring_PSO_SCD和SOMPSO_MM的运行时间，从图可知，SRMMODE、DN_NSGAII、TriMoEATAR、Mo_Ring_PSO_SCD和SOMPSO_MM的运行时间分别是MF_MMEA的2.61、1.39、1.14、3.87和4.26倍，由此可知，相比于传统的多模多目标演化算法，MF_MMEA可以有效提高算法计算效率。
按照上述MF_MMEA的具体流程在测试函数上进行仿真实验，从而得到测试函数对应的非支配解集，为了更好地说明本发明的效果，其中观察的性能为IGD和IGDX。
071IGD和IGDX分别表示目标空间和决策空间中的真实Pareto前沿与算法所获得的非支配个体解集之间的平均距离。以IGD为例，若均匀分布在Pareto前沿上的一个集合，为算法所得到非支配解集，则和之间的IGD可以表示为：
其中，表示点和集合的距离；
由IGD的定义可知，IGD指标可以同时测量算法最终求得的近似解的多样性和收敛性，且IGD越小，近似解集在目标空间中分布的越均匀，与真实PF的距离越小。而IGDX越小，近似解集在决策空间中分布的越均匀，与真实PF的距离越小。因此，IGD与IGDX的值越小，代表算法的性能越好。
本说明书将算法在11个测试函数上进行测试；
如图3所示为本说明MF_MMEA在决策空间中的收敛曲线；
如图4所示为本说明MF_MMEA在目标空间中的收敛曲线。
由图3和图4可知，随着评价次数的增加，算法在多数测试函数上可以取得不错的收敛性能。另外，可以看出MF_MMEA的收敛过程中存在一个转折点，这表明在MFEA算法的前半部分，由于种群规模小以及种群搜索更注重多样性的原因，无法达到很好的收敛，而算法的后半部分具有较快的收敛速度，证明了MF_MMEA中设计入两阶段优化的必要性。
以上的实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述的实施例对本发明进行了详细的说明，本领域的技术人员依然可以对前述实施例所记载的技术方案进行修改，或对本发明进行各种改动和变型而不脱离本发明的精神和范围，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于多因子迁移学习的多模多目标演化算法，其特征在于，包括：种群初始化，繁殖，更新，选择；
种群初始化，在搜索空间中随机生成N个个体作为初始种群；
繁殖，采用选型交配的遗传机制针对每一个目标向量产生后代个体，新个体选择性地继承其父代个体的技能因子；
更新，将父代种群与繁殖产生的子代种群合并形成新种群，更新种群中个体的标量适应度值；
选择，对合并后的种群，依据个体标量适应度值对其排序，选出较优的个体组成下一代种群。
2.根据权利要求1所述的方法，其特征在于，所述的种群初始化包括：
步骤1：初始化种群随机键编码方式生成N个个体作为初始化种群，P＝{y1，y2，...yN}，初始个体维度为max{D}；
步骤2：初始种群评价；
步骤3：初始化函数评价次数：设置FES＝N*TaskNum；
步骤4：初始化迭代次数：G＝0。
3.根据权利要求2所述的放方，其特征在于，步骤1.2.3.所述种群初始化的具体步骤为：
步骤1：随机键解码，将初始化种群中的随机键值，按照xi＝Li+(Ui-Li)×yi映射到某个实际优化任务的搜索空间；
其中，xi是Tj对应的个体的第i维决策变量，Li和Ui分别是xi的下界和上界，yi是统一搜索空间中的一个随机键；
步骤2：初始种群排序，使用基于双空间的排序策略针对不同优化问题依次对种群排序；
步骤1.2.3：个体评价依据步骤1.2的种群排序结果计算个体的标量适应度值ψi和技能因子τi；
其中，标量适应度值是根据个体pi所拥有的因子排序的列表{ri 1,ri 2,...,ri K}，选出其中最优的一个倒数作为个体的标量适应度值，即ψi＝1/minj∈{1,...,K}{ri j}；
个体pi的技能因子τi是指在所有优化任务中该个体表现最优的一个任务,即τi＝argminj{ri j}。
4.根据权利要求1所述的方法，其特征在于，所述的繁殖包括：
步骤1：利用选型交配的遗传机制和DE/rand/1/bin的变异策略产生新的个体；
步骤2：利用垂直文化转移使得新个体选择性地继承其父代个体的技能因子。
5.根据权利要求1所述的方法，其特征在于，所述的更新包括：
对于每个参与演化的目标个体i，产生一个随机数rand，若rand小于rmp，则变异策略中的两个差分项
和
来自不同于个体i的技能组，即
和
与i的技能因子不相同；
否则，所选取的差分项必须和i有相同的技能因子；
其中，F为缩放因子，i为当前个体的角标，r1，r2，r3为基向量与差分向量的角标，x为当前种群中的个体，v代表得到的变异向量。
6.根据权利要求1所述的方法，其特征在于，所述的选择包括：
产生的后代个体直接继承父代个体的技能因子，而不需要在所有任务上评估后计算技能因子，若个体的父代拥有不同的技能因子，则随机继承其中一个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010427135.1A CN111709526A (zh) | 2020-05-19 | 2020-05-19 | 一种基于多因子迁移学习的多模多目标演化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010427135.1A CN111709526A (zh) | 2020-05-19 | 2020-05-19 | 一种基于多因子迁移学习的多模多目标演化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111709526A true CN111709526A (zh) | 2020-09-25 |
Family
ID=72537478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010427135.1A Pending CN111709526A (zh) | 2020-05-19 | 2020-05-19 | 一种基于多因子迁移学习的多模多目标演化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709526A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308229A (zh) * | 2020-11-26 | 2021-02-02 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
| CN113158470A (zh) * | 2020-11-25 | 2021-07-23 | 中国石油大学(华东) | 基于迁移学习的油藏自动历史拟合系统与方法 |
| CN114510072A (zh) * | 2022-01-18 | 2022-05-17 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
| CN115118139A (zh) * | 2022-06-06 | 2022-09-27 | 重庆大学 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569959A (zh) * | 2019-09-05 | 2019-12-13 | 南宁师范大学 | 基于协同变异方法的多目标粒子群优化算法 |
-
2020
- 2020-05-19 CN CN202010427135.1A patent/CN111709526A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110569959A (zh) * | 2019-09-05 | 2019-12-13 | 南宁师范大学 | 基于协同变异方法的多目标粒子群优化算法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158470A (zh) * | 2020-11-25 | 2021-07-23 | 中国石油大学(华东) | 基于迁移学习的油藏自动历史拟合系统与方法 |
| CN113158470B (zh) * | 2020-11-25 | 2022-09-23 | 中国石油大学(华东) | 基于迁移学习的油藏自动历史拟合系统与方法 |
| CN112308229A (zh) * | 2020-11-26 | 2021-02-02 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
| CN112308229B (zh) * | 2020-11-26 | 2023-11-24 | 西安邮电大学 | 基于自组织映射的动态多目标演化优化方法 |
| CN114510072A (zh) * | 2022-01-18 | 2022-05-17 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
| CN114510072B (zh) * | 2022-01-18 | 2022-12-06 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
| CN115118139A (zh) * | 2022-06-06 | 2022-09-27 | 重庆大学 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
| CN115118139B (zh) * | 2022-06-06 | 2024-04-16 | 重庆大学 | 一种用于模块化多电平变换器的多任务处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Offline data-driven evolutionary optimization using selective surrogate ensembles | |
| CN111709526A (zh) | 一种基于多因子迁移学习的多模多目标演化算法 | |
| Liu et al. | A coevolutionary technique based on multi-swarm particle swarm optimization for dynamic multi-objective optimization | |
| Wang et al. | A grey prediction-based evolutionary algorithm for dynamic multiobjective optimization | |
| Jin et al. | A systems approach to evolutionary multiobjective structural optimization and beyond | |
| Liu et al. | A dynamic multiagent genetic algorithm for gene regulatory network reconstruction based on fuzzy cognitive maps | |
| Jia et al. | Community detection in social and biological networks using differential evolution | |
| Osuna-Enciso et al. | A diversity metric for population-based metaheuristic algorithms | |
| Wen et al. | Learning ensemble of decision trees through multifactorial genetic programming | |
| Rashno et al. | Particle ranking: an efficient method for multi-objective particle swarm optimization feature selection | |
| İni̇k et al. | MODE-CNN: A fast converging multi-objective optimization algorithm for CNN-based models | |
| Dash et al. | Pipelining the ranking techniques for microarray data classification: a case study | |
| CN105678401A (zh) | 一种基于策略适应性差分进化的全局优化方法 | |
| Pavan et al. | Robust seed selection algorithm for k-means type algorithms | |
| Tiezzi et al. | Graph neural networks for graph drawing | |
| Chi et al. | Reconstructing gene regulatory networks with a memetic-neural hybrid based on fuzzy cognitive maps | |
| Rad et al. | GP-RVM: Genetic programing-based symbolic regression using relevance vector machine | |
| Wang et al. | Penalty and prediction methods for dynamic constrained multi-objective optimization | |
| CN105740949A (zh) | 一种基于随机性best策略的群体全局优化方法 | |
| Chai et al. | Symmetric uncertainty based decomposition multi-objective immune algorithm for feature selection | |
| Mohsen et al. | An optimization algorithm based on harmony search for rna secondary structure prediction | |
| Berndt et al. | Accuracy and size trade-off of a cartesian genetic programming flow for logic optimization | |
| Wang et al. | A multi-factorial evolutionary algorithm with asynchronous optimization processes for solving the robust influence maximization problem | |
| Nikolova et al. | Parallel Bayesian network structure learning with application to gene networks | |
| Xiao et al. | A locating method for reliability-critical gates with a parallel-structured genetic algorithm |
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 |
Application publication date: 20200925 |
|
| RJ01 | Rejection of invention patent application after publication |