-Sussurro--CSDN博客

原创《SAFE: Scale-Adaptive Fitness Evaluation Method for Expensive Optimization Problems》笔记

进化计算(Evolutionary Computation, EC)算法是受自然界进化现象和群智能的启发而发展起来的一种基于种群的优化求解工具。由于EC算法的简单性和不需要梯度信息，在过去的几十年里已经发展出了多种进化算法并被广泛应用于解决各种优化问题。EC算法从可行解（个体）的初始种群开始，通过复制操作（如交叉和变异）迭代生成新的解（后代）。然后通过基于适应度评估(Fitness Evaluation, FE)的挑选，具有更好适应度值的个体有更大的机会生存到下一代，从而传播高质量的解。

2022-04-27 09:59:56 482

原创《Boosting Data-Driven Evolutionary Algorithm With Localized Data Generation》笔记

数据驱动的进化算法可以有助于解决昂贵和计算密集的问题。然而仍然存在两个难点问题：首先许多现有的构建单一临时代理模型的方法适用于一些特殊问题，但可能不适用于其他问题；其次如果没有足够的可用数据来构建精确的代理模型，DDEA的优化精度会下降。为此本文提出了一种具有两个有效组件的新型DDEA算法。首先提出了一种用于自我感知模型管理的提升策略，该策略可以迭代地构建和集成代理，以针对不同问题获得合适的代理模型。其次提出了一种局部数据生成方法，通过数据位置逼近适应度来生成合成数据，以缓解数据短缺问题，增加数据量。

2022-04-13 16:05:58 606

原创《A Survey on Evolutionary Computation for Complex Continuous Optimization》笔记

进化计算算法已成功应用于多种全局优化问题，但近几十年来优化问题中的新困难也给进化计算算法带来了巨大的挑战。例如在大数据环境中，复杂优化问题就像许多其他大数据问题一样，总是存在所谓的4-V挑战，即Volume、Velocity、Variety和Value，它们分别指数据量、变化速度、数据范围和数据有效性。具体来说，这些复杂优化问题通常是大规模的、动态的、有许多局部/全局最优的、有约束条件的、多目标的，并且具有非常昂贵目标函数评估的。

2022-04-12 21:07:43 714

原创《Evolutionary Computation for Expensive Optimization：A Survey》笔记

昂贵优化问题（Expensive optimization problem, EOP）是指需要花费昂贵的甚至无法负担的成本来评估候选解的问题，这种问题广泛存在于许多重要的现实应用中。进化计算（Evolutionary computation, EC）算法由于可以在不需要梯度信息的情况下高效地找到令人满意的解，被广泛应用于求解昂贵优化问题。

2022-04-09 14:42:09 3986

原创《Python基础知识-1格式化字符串》

Python基础知识-1格式化字符串

2022-04-06 17:12:47 109

原创《Python项目-1Alien Invasion》

Python项目-1Alien Invasion

2022-04-05 17:21:39 2751

原创《Python基础知识-4判断和循环语句》

Python基础知识-4判断和循环语句

2022-03-31 09:19:15 342

原创《Python基础知识-2高级数据类型B》

Python基础知识-2高级数据类型B

2022-03-29 21:01:45 829

原创《Python基础知识-0入门》

Python基础知识-0入门

2022-03-28 20:52:52 595

原创《Python基础知识-2高级数据类型A》

Python基础知识-2高级数据类型A

2022-03-28 10:37:40 1039

原创《Python基础知识-1变量和简单数据类型》

Python基础知识-1变量和简单数据类型

2022-03-25 09:18:15 866

原创《智能控制理论与应用》--机场航班调度问题

航班调度问题一直是空中交通管制中的一个复杂但是具有重要意义的任务，而航班着陆问题是其中的核心问题。航班着陆调度是一个NP难问题，具有规模大、约束条件多等特点。目前解决航班着陆调度问题的优化调度算法大致可以分为两大类：线性规划算法和计算智能算法。线性规划算法具有高效性和正确性，但缺乏全局搜索能力，在某些情况下很难找到最优解。而计算智能算法不仅具有强大的全局搜索能力，而且能够处理非线性的复杂约束及目标函数，因此近年来使用计算智能算法解决航班着陆调度问题成为一个研究热点。

2022-03-20 20:38:16 1644 1

原创《智能控制理论与应用》--神经控制系统

神经控制系统

2022-03-13 10:20:56 506

原创《智能控制理论与应用》--模糊控制系统

证明模糊集合的幂等律、结合律、交换律、分配律、吸收律、同一律。阅读模糊推理的第一种情况和第二种情况，推导第三种情况“多个前提多个规则”。用 Matlab 模糊控制工具箱为下列系统设计模糊控制器，使其稳态误差为 0，超调量不大于 1%，输出上升时间 3s。同时实现 PID 控制和模糊 PID 控制，比较三种控制方法的结果。被控对象的传递函数为：...

2022-03-11 17:42:16 2066

原创《复杂命名实体识别》

命名实体识别相关

2022-03-11 16:22:01 1811

翻译《BoningKnife: Joint Entity Mention Detection and Typing for Nested NER via prior Boundary Knowledge》

虽然命名实体识别(NER)是自然语言处理中的一个关键任务，但大多数方法只针对扁平实体，忽略了许多场景中常见的嵌套结构。现有的大多数嵌套NER方法遍历所有的子序列，既昂贵又低效，而且没有很好地考虑对嵌套实体很重要的边界知识。在本文中，我们提出了一个基于先验边界知识的实体检测和分类联合模型(BoningKnife)，以更好地处理嵌套NER提取和识别任务。BoningKnife由两个模块组成，MentionTagger和TypeClassifier。

2022-03-11 15:37:16 272

翻译《How to Train Good Word Embeddings for Biomedical NLP》

词嵌入的质量取决于输入语料库、模型架构和超参数设置。我们利用最先进的神经嵌入工具word2vecword2vec和内部与外部评估，提出了一个关于如何根据上述特征改变嵌入质量的全面研究。除了确定最具影响力的超参数外，我们还观察到一个在内部与外部评估之间产生矛盾结果的参数。此外，我们发现更大的语料库不一定产生更好的生物医学领域词嵌入。

2022-03-10 09:05:29 231

翻译《A Neural Layered Model for Nested Named Entity Recognition》

大多数命名实体识别(NER)系统只处理扁平实体，而忽略了内部的嵌套实体，这将导致系统无法捕获底层文本中的细粒度语义信息。为了解决这一问题，我们提出了一种新颖的神经网络模型，它通过动态叠加扁平NER层来识别嵌套实体。其中每个扁平NER层都基于目前最先进的扁平NER模型，即使用双向长短期记忆(LSTM)网络来捕获序列上下文表示，并将其提供给级联的CRF层。

2022-02-28 10:11:55 786

翻译《Deep Exhaustive Model for Nested Named Entity Recognition》

我们提出了一种深层神经模型用于嵌套命名实体识别。大多数NER模型只关注扁平实体而忽略了嵌套实体，不能充分捕捉文本中的潜在语义信息。我们模型的关键思想是枚举潜在实体的所有可能区域或跨度，并用深度神经网络对它们进行分类。为了降低计算成本和捕获区域周围的上下文信息，该模型使用共享的底层双向长短期记忆网络的输出来对区域进行表示。我们在生物医学领域的GENIA和JNLPBA语料库上评估了模型，结果表明在没有任何外部知识资源的情况下，模型在嵌套和扁平NER上的F值分别达到了77.1%和78.4%，优于目前最先进模型。

2022-02-25 15:13:18 952

翻译《A Boundary-aware Neural Model for Nested Named Entity Recognition》

在自然语言处理中，实体中包含其他实体是一种常见情况。现有的大多数关于命名实体识别的工作只处理扁平实体，而忽略了嵌套实体。本文提出了一种边界感知的嵌套NER神经网络模型，它利用实体的边界来预测实体类别标签。模型通过使用序列标记模型来检测边界以精确定位实体。该模型在检测到的边界的基础上，利用边界相关区域预测实体类别标签，降低了分层序列标记模型的计算成本，缓解了误差传播问题。同时引入多任务学习来捕获实体边界及其类别标签的依赖关系，这有助于提高实体识别的性能。在嵌套NER数据集上的实验表明该模型优于其他最先进方法。

2022-02-24 11:21:02 993

翻译《Neural Architectures for Nested NER through Linearization》

我们提出了两种用于嵌套命名实体识别(NER)的神经网络架构，在该架构的设置中命名实体可以重叠，也可以被多个标签标记。我们使用线性化方案编码嵌套的标签。在我们提出的第一种方法中，嵌套标签被建模为多标签，对应于标准LSTM-CRF结构中嵌套标签的笛卡尔积。在第二种方法中，嵌套命名实体识别被看作是一个Seq2Seq问题，在这个问题中，输入序列由Tokens组成，输出序列由标签组成，并对正在预测标签的单词使用硬注意力(Hard Attention)。

2022-01-03 19:24:02 597

原创《图表示学习算法综述》

本文主要对现有具有代表性的图表示学习算法进行了简单介绍。文章安排如下：第二节简要陈述了图和图表示学习的定义；第三节回顾了经典和新兴图表示学习方法的原理和步骤；第四节讨论了图表示学习未来的研究方向。

2022-01-02 21:02:21 1391

翻译《Joint Mention Extraction and Classification with Mention Hypergraphs》

我们为Mention的抽取分类联合任务提出了一种新颖模型。与现有的方法不同，我们的模型能够有效捕捉长度不限的重叠Mention。该模型具有高度可扩展性，其时间复杂度与输入句子中的单词数量和可能的Mention类别呈线性关系。我们的模型可以扩展到在相同的时间复杂度下，以联合的方式显式地额外捕获Mention头部。我们通过在标准数据集上的大量实验证明了模型的有效性。

2021-12-31 22:04:55 540

Alien Invasion

链接：https://blog.csdn.net/weixin_44315848/article/details/123972223

2022-04-05

基于智能优化算法的航班着陆调度问题研究

链接：https://blog.csdn.net/weixin_44315848/article/details/123619555

2022-03-20

《随机过程》--作业答案

2022-03-02

《智能计算》读书报告--智能优化算法

以模拟自然界生物智能行为为背景的优化算法，如鸟群算法、蚁群算法、蜂群算法、粒子群算法、萤火虫算法等，以固体退火理论及系统稳定性理论为基础的模拟退火算法、Hopfield 神经优化算法，以及遗传算法、免疫算法、禁忌搜索算法等，都可以归结为人工智能优化算法。智能优化算法是指受人类智能、生物群体社会性或自然现象规律的启发。这类算法模拟了人类或者动物的思维和天赋，因此体现了“智能”，随着智能理论的发展，智能计算在求解大规模优化问题相比于传统优化方法展现出了非常优越的性能，本文对于智能算法进行了一个较为全面的分析，并介绍了相应的理论成果和应用。本文介绍了首先针对模拟退火、禁忌搜索算法和遗传算法介绍了其流程，分析了算法存在的不足，并针对不足介绍了一些改进方法。然后对于群智能优化算法——粒子群算法和蚁群算法，在介绍算法流程的同时，针对其算法收敛性和求解能力进行了分析，并介绍了相关提高收敛速度以及提高解的质量等相关用于提高算法性能的方法。

2022-02-28

《智能计算》读书报告--神经网络

人工神经元网络是利用工程技术手段模拟人脑神经元网络的结构与功能的系统。它由大量简单的非线性处理单元，以及单元间复杂的、灵活可变的联接关系所构成。它反映了人脑功能的若干基本特征，包括并行信息处理、学习、联想、模式分类、记忆等。由于它具有一系列传统的线性系统所没有的优点，如非线性、容错性、并行性、自适应性等，因而在信号处理、系统辨识、模式识别、自动控制等许多领域中得到了广泛的应用。近几年来，对人工神经网络及其应用的研究已成为高新技术领域研究的一个令人瞩目的课题。本文首先对神经网络的发展史做了简要的介绍，然后对人工神经网络的基础，即神经元模型和学习规则进行了介绍，在此基础上对 BP 神经网络和其它几种常见的神经网络模型进行了回顾，比较了 BP 网络和 Adaline 网络模型的拟合结果；最后一部分深度学习模型进行了介绍，并利用卷积神经网络在 MNIST 数据集上进行了手写字符识别实验。

2022-02-28

《智能计算》读书报告--模糊计算与证据理论

传统计算（硬计算）的主要特征是严格、确定和精确。自然和人工系统中存在着三种复杂性：随机性、模糊性和不确定性，因此硬计算并不适合处理现实生活中的许多问题，例如驾驶汽车。软计算通过对不确定、不精确及不完全真值的容错以取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程（人的感知、脑结构、进化和免疫等）来有效处理日常工作。软计算是方法的集合体，主要成员有进化计算、模糊逻辑、证据理论、人工神经网络、粗糙集等，本文主要对证据理论、模糊计算和粗糙集进行介绍。本文首先对证据理论的基本框架以及它的组合规则进行了简单的介绍，并通过两个示例说明 Dempster 组合规则存在的缺陷，在此基础上介绍了几种己有的证据理论的改进方法；然后介绍了模糊集的基础知识，运算规则和相关定理，从而比较其与经典集的差别，并介绍几个常用的隶属函数形式；最后介绍了粗糙集的一些基本概念，粗糙集的优势和与其它集合论的不同，并介绍了粗糙集和证据理论、模糊集合这两种软计算理论的结合。

2022-02-28

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人