项目名称: 基于深度表征学习的演化算法动态行为分析与定量表征方法研究

项目编号: No.61473271

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 其他

项目作者: 李斌

作者单位: 中国科学技术大学

项目金额: 80万元

中文摘要: 长期以来,由于缺乏有效的定量表征方法,我们一直不能对演化算法已有的丰富的研究成果进行系统科学地归纳与分类,因而无法建立起科学的演化算法研究体系,这成为目前制约演化计算发展的一个重要瓶颈。近年,机器学习领域、尤其是深度学习方向上的突破性研究进展,为我们研究建立演化算法动态行为分析与定量表征体系开启了一个新的研究思路。本项目提出基于深度表征学习的最新理论与方法,研究演化算法动态行为分析与定量表征方法,重点研究:演化算法群体空间分布定量表征方法,演化算法动态行为分析与定量表征方法, 面向算法研究的演化算法深度表征体系构建方法,上述分析与表征方法在大规模优化演化算法研究中的应用,以及建立开放共享的演化算法分析工具平台。系统全面的演化算法定量表征与分析体系是建立科学的演化算法研究体系的必要前提,本项目从一个新的角度开展研究,具有重要的学术意义和一定的原创性。

中文关键词: 演化算法;行为分析;定量表征;表征学习;深度学习

英文摘要: Due to the lack of effective quantitative representation and analysis methods, we cannot make systematic and scientific conclusion and classification on huge amount of research results on Evolutionary Algorithms (EAs), therefore can not construct a scientific knowledge framework for the research of EAs, this has been a bottleneck in the development of evolutionary computation. Recently, the breakthrough in the research of machine learning, especially in its new branch the deep learning, has shown us a new approach to quantitative analysis and representation of dynamic behaviors of EAs. In this project, we propose to study methods for quantitative analysis and representation of EAs' dynamic behavior based on the up-to-date theory and techniques of deep representation learning. The focuses will be put on the study of: the methods for quantitative representation of EA's population distribution in the search space; methods for quantitative analysis and representation of EA's dynamic behaviors; methods for constructing Algorithmic Research-Oriented deep representation framework of EAs; Demonstration of applying above methods to the research of EAs for Large Scale Numerical Optimization; and the establishment of an open platform of tools for EA analysis. A systematic and comprehensive framework of quantitative analysis and representation of EAs is a prerequisite for constructing the algorithmic research framework of EAs. This project proposes to study it via a new approach, which is of important academic value and originality.

英文关键词: Evolutionary Aglorithms;Behavior Analysis;Quantitative Representation;Representation Learning;Deep Learning

成为VIP会员查看完整内容
1

相关内容

【博士论文】基于深度学习的单目场景深度估计方法研究
群体行为识别深度学习方法研究综述
专知会员服务
31+阅读 · 2021年11月29日
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
专知会员服务
23+阅读 · 2021年9月22日
专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
45+阅读 · 2021年3月24日
基于旅游知识图谱的可解释景点推荐
专知会员服务
90+阅读 · 2020年9月4日
专知会员服务
42+阅读 · 2020年7月29日
基于区块链技术的推荐算法综述
机器学习与推荐算法
2+阅读 · 2021年12月1日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
最全综述 | 图像分割算法
极市平台
23+阅读 · 2019年6月23日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
干货 | 基于深度学习的目标检测算法综述(二)
AI科技评论
21+阅读 · 2018年8月20日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
5+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
小贴士
相关VIP内容
【博士论文】基于深度学习的单目场景深度估计方法研究
群体行为识别深度学习方法研究综述
专知会员服务
31+阅读 · 2021年11月29日
基于强化学习的推荐研究综述
专知会员服务
83+阅读 · 2021年10月21日
专知会员服务
23+阅读 · 2021年9月22日
专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
45+阅读 · 2021年3月24日
基于旅游知识图谱的可解释景点推荐
专知会员服务
90+阅读 · 2020年9月4日
专知会员服务
42+阅读 · 2020年7月29日
相关资讯
基于区块链技术的推荐算法综述
机器学习与推荐算法
2+阅读 · 2021年12月1日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
最全综述 | 图像分割算法
极市平台
23+阅读 · 2019年6月23日
综述 | 近5年基于深度学习的目标检测算法
计算机视觉life
38+阅读 · 2019年4月18日
干货 | 基于深度学习的目标检测算法综述(二)
AI科技评论
21+阅读 · 2018年8月20日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
相关基金
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
5+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员