面向优化过程的启发式算法多元指标性能分析及其在构建算法推荐模型中的应用

批准号:
71771176
项目类别:
面上项目
资助金额:
48.0 万元
负责人:
郭为安
依托单位:
学科分类:
G0102.运筹与管理
结题年份:
2021
批准年份:
2017
项目状态:
已结题
项目参与者:
毛燕芬、张文娟、唐堂、朱彦元、李武朝、张岩、潘安琪、李东洋、胡文浩
国基评审专家1V1指导 中标率高出同行96.8%
结合最新热点,提供专业选题建议
深度指导申报书撰写,确保创新可行
指导项目中标800+,快速提高中标率
微信扫码咨询
中文摘要
本项目旨在对启发式算法的整个优化过程进行多元指标性能分析,并根据不同算法性能之间存在的归纳偏置构建算法的推荐模型。通过采样启发式算法的优化过程数据,在多元评价指标空间内为优化过程建模,利用统计模式识别及多元指标评价策略等手段对过程性能进行数据挖掘,分析不同优化过程之间的相似性与差异性。将性能分析的结论引入算法的应用管理中,预估启发式算法求解不同优化问题的性能,结合性能归纳偏置以及用户偏好信息构建算法的推荐模型,从而在面对不同的优化问题时,能够快捷地选用合适的启发式算法求解问题,提高求解的质量和效率。利用各类典型优化问题对推荐模型进行实验验证,完善分析方法和推荐模型。项目的研究成果将不仅对启发式算法的理论发展及应用管理具有积极的指导作用,同时也将为高效求解各类实际优化问题提供重要参考。
英文摘要
This project evaluates heuristic algorithms’ performance by optimization process analysis, and constructs the algorithms recommendation model by considering the performance inductive bias. By sampling the data in optimization process, the optimization process will be modeled in a multi-dimensional space build by multiple indicators. Data mining will be conducted on the model by statistical pattern recognition and multivariate evaluation strategies, so that the similarity and dissimilarity of different optimization processes will be analyzed. Based on the analysis conclusions, the adaptation ability of different algorithms to different optimization problems will be investigated. By considering the performance inductive bias and the users’ preference, recommendation modelling will be constructed in order to select suitable heuristic algorithms to solve different kinds of problems and improve quality and effectiveness of solutions. By employing different kinds of optimization problems, the analysis strategies and recommendation models will be verified and improved. The achievements of this project do not only play an active role in heuristics development and algorithms management, but also provide important references for different kinds of practical implementations.
本课题已经顺利完成预期的研究内容,达到了预期研究目标。课题组面向启发式算法优化过程数据进行分析,对优化过程数据进行了大规模的收集与整理。分别基于单目标优化问题,多目标优化问题,大规模优化问题等复杂数据问题的优化过程进行种群特征、种群性能特征的收集,通过设计多种类型分类器对优化过程进行分类,从而挖掘不同优化算法之间的相似性和差异性。在分类器的应用上采取两阶段分类策略。第一阶段对不同优化算法进行粗分类。第二阶段对于相似的算法集合选择标的算法并训练分类器,利用该分类器将标的算法与其他算法进行细分类,从而得到算法优化过程性能的相似性和差异性。在此基础上对启发式算法优化过程中种群分布进行了数据全程记录,并利用多种性能评价指标对其进行评估。通过分析所记录的种群决策变量和优化目标数值的演化过程数据,挖掘各启发式算法的性能特征。从而面向不同的优化问题推荐相应算法和设计合适的算子,并成功应用求解具有复杂特征的多种数值优化和实际应用优化问题,包括大规模车辆调度、工业互联网拓扑、农业灌溉系统等。相关成果提高了对算法集合的管理效率以及求解各类问题的质量,对启发式算法的发展和实际优化问题的高效求解具有重要作用。
期刊论文列表
专著列表
科研奖励列表
会议论文列表
专利列表
Heuristic orientation adjustment for better exploration in multi-objective optimization
启发式方向调整,更好地探索多目标优化
DOI:10.1007/s00521-018-3848-8
发表时间:2018-11
期刊:Neural Computing & Applications
影响因子:6
作者:Pan Anqi;Wang Lei;Guo Weian;Ren Hongliang;Wu Qidi
通讯作者:Wu Qidi
DOI:10.13705/j.issn.1671-6833.2020.01.001
发表时间:2020
期刊:郑州大学学报(工学版)
影响因子:--
作者:张茂清;李东洋;胡博;汪镭;崔志华;郭为安
通讯作者:郭为安
DOI:10.1016/j.ins.2020.09.061
发表时间:2021-02
期刊:Information Sciences
影响因子:8.1
作者:Zhang Maoqing;Wang Lei;Guo Weian;Li Wuzhao;Li Dongyang;Hu Bo;Wu Qidi
通讯作者:Wu Qidi
An Entropy-Assisted Particle Swarm Optimizer for Large-Scale Optimization Problem
用于大规模优化问题的熵辅助粒子群优化器
DOI:10.3390/math7050414
发表时间:2019-05-01
期刊:MATHEMATICS
影响因子:2.4
作者:Guo, Weian;Zhu, Lei;Kong, Fanrong
通讯作者:Kong, Fanrong
Many-Objective Evolutionary Algorithm based on Dominance Degree
基于优势度的多目标进化算法[公式给出]
DOI:10.1016/j.asoc.2021.107869
发表时间:2021-09-22
期刊:APPLIED SOFT COMPUTING
影响因子:8.7
作者:Zhang, Maoqing;Wang, Lei;Wu, Qidi
通讯作者:Wu, Qidi
基于纯粹测度引导种群多样性分布的大规模高维多目标演化算法设计与机理分析
- 批准号:n/a
- 项目类别:省市级项目
- 资助金额:0.0万元
- 批准年份:2023
- 负责人:郭为安
- 依托单位:
基于类脑循环神经网络的超启发式算法动态优化研究
- 批准号:19ZR1479000
- 项目类别:省市级项目
- 资助金额:0.0万元
- 批准年份:2019
- 负责人:郭为安
- 依托单位:
面向动态优化问题的参数自适应及变结构生物地理学优化算法研究
- 批准号:61503287
- 项目类别:青年科学基金项目
- 资助金额:22.0万元
- 批准年份:2015
- 负责人:郭为安
- 依托单位:
国内基金
海外基金
