受人类智能、生物群体社会性或自然现象规律的启发。 主要包括: (1)遗传算法: 模仿自然界生物进化机制 (2)差分进化算法: 通过群体个体间的合作与竞争来优化搜索 (3)免疫算法: 模拟生物免疫系统学习和认知功能 (4)蚁群算法:模拟蚂蚁集体寻径行为 (5)粒子群算法:模拟鸟群和鱼群群体行为 (6)模拟退火算法:源于固体物质退火过程 (7)禁忌搜索算法:模拟人类智力记忆过程 (8)神经网络算法:模拟动物神经网络行为特征
在分布式算法改进后,算法因为分布式情况,存在通信、等待、同步、异步等问题,导致算法的空间复杂度、时间复杂度,没有达到预想的情况,针对机器学习的单体算法和分布式算法的优化方法,本节就来介绍相关原理和实现方法
作者 | 高秀松 编辑 | 余快、陈彩娴 自然界中,「蚂蚁觅食」是一种寻常但奇特的现象。 成群结队的蚂蚁,总是能够在食物与蚁巢之间寻找到最佳路径,快速地将食物搬运至蚁巢中。这引起了生物学家的广泛注意,在经过多次研究实验之后,他们发现: 蚂蚁在寻找食物过程时具备随机性,没有固定的方向和目标,但只要有一只蚂蚁发现食物,这只蚂蚁在搬运食物回巢时,就会留下一种微弱的气味,即一种叫做「信息素」的物质。其它蚂蚁会沿着该气味寻找到食物,然后再次留下气味踪迹。最终,越来越多的蚂蚁加入其中,形成了一条最优化的路径。 这种特性
来源:专知本文为书籍介绍,建议阅读5分钟本书为商业、商业和工业领域的应用问题探索创新和增值的解决方案。 工业4.0和5G技术中的人工智能 为商业、商业和工业领域的应用问题探索创新和增值的解决方案 随着人工智能(AI)技术创新的步伐不断加快,识别嵌入关键决策过程的适当AI能力对建立竞争优势从未像现在这样关键。可以配置新的和新兴的分析工具和技术,以优化业务价值,改变组织获得洞察力的方式,并显著改善整个企业的决策过程。 《工业4.0和5G技术中的人工智能》运用进化和群体智能、数学规划、多目标优化等前沿智能优化方
是的,今天要说的就是果蝇算法,“果蝇”就是你理解的那个果蝇,这是在2011年由Wen-Tsao Pan提出的有一种新型的群体智能优化算法。 1,引言: 演化式计算是一种共享名词,系指达尔文进化论的 ”适者生存,不适者淘汰”,以此观念来实际模拟自然界演化过程所建立的演算方式,例如早期Holland (1975) 教授的遗传算法(Genetic Algorithms)。然而,后进者开始将演化重心转移到动物的觅食行为与群体行为上,最早是以Dorigo (1997)教授所提出的蚁群算法(Ant Colony Alg
本文从一个经典的优化函数开始,引出智能优化算法的价值。下图为2 维 Schwefel 函数的 3-D 曲面图,其中 x 和 y 的范围均为 [−500;500],且仅取整数。从图上可以看出,除了位于右下角的全局最优解 (421;421) 外, Schwefel 函数还存在大量局部最优解。图中给出了三组局部最优解的实例,分别为 (204;−500)、 (421;−303) 和 (421;204)。
粒子群优化算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。
优化问题是指在满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优,或使系统的某些性能指标达到最大值或最小值。优化问题广泛地存在于信号处理、图像处理、生产调度、任务分配、模式识别、自动控制和机械设计等众多领域。优化方法是一种以数学为基础,用于求解各种优化问题的应用技术。各种优化方法在上述领域得到了广泛应用,并且已经产生了巨大的经济效益和社会效益。实践证明,通过优化方法,能够提高系统效率,降低能耗,合理地利用资源,并且随着处理对象规模的增加,这种效果也会更加明显。 在电子、通信、计算机、自动化、机器人、经济学和管理学等众多学科中,不断地出现了许多复杂的组合优化问题。面对这些大型的优化问题,传统的优化方法(如牛顿法、单纯形法等)需要遍历整个搜索空间,无法在短时间内完成搜索,且容易产生搜索的“组合爆炸”。例如,许多工程优化问题,往往需要在复杂而庞大的搜索空间中寻找最优解或者准最优解。鉴于实际工程问题的复杂性、非线性、约束性以及建模困难等诸多特点,寻求高效的优化算法已成为相关学科的主要研究内容之一。 受到人类智能、生物群体社会性或自然现象规律的启发,人们发明了很多智能优化算法来解决上述复杂优化问题,主要包括:模仿自然界生物进化机制的遗传算法;通过群体内个体间的合作与竞争来优化搜索的差分进化算法;模拟生物免疫系统学习和认知功能的免疫算法;模拟蚂蚁集体寻径行为的蚁群算法;模拟鸟群和鱼群群体行为的粒子群算法;源于固体物质退火过程的模拟退火算法;模拟人类智力记忆过程的禁忌搜索算法;模拟动物神经网络行为特征的神经网络算法;等等。这些算法有个共同点,即都是通过模拟或揭示某些自然界的现象和过程或生物群体的智能行为而得到发展;在优化领域称它们为智能优化算法,它们具有简单、通用、便于并行处理等特点。 **
计算智能(ComputationalIntelligence ,CI)是以生物进化的观点认识和模拟智能。按照这一观点,智能是在生物的遗传、变异、生长以及外部环境的自然选择中产生的。在用进废退、优胜劣汰的过程中,适应度高的结构被保存下来,智能水平也随之提高。因此计算智能就是基于结构演化的智能。计算智能的主要方法有人工神经网络、遗传算法、遗传程序、演化程序、局部搜索、模拟退火等等。这些方法具有以下共同的要素:自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条
---- 新智元报道 编辑:好困 【新智元导读】近日,Science合作期刊Intelligent Computing(《智能计算》)创刊后首期论文正式发表。 之江实验室主任朱世强教授和中国工程院院士、中国科学院计算技术研究所学术所长孙凝晖教授作为期刊主编向海内外共同发表了发刊词(Inaugural Editorial)。 发刊词重点阐明了期刊的使命、愿景和定位,即:Intelligent Computing将以面向智能的计算、智能驱动的计算以及智能、数据与计算驱动的科学发现为核心主题,展现全球智
微粒群算法(Particle Swarm Optimization,PSO)就像是群体智能里的“小聪明”。它的工作原理,就像模仿鸟群、鱼群这些大咖们在搜索范围里的表现,不停的在搞事情。并且它的设计灵感可不是从天而降,而是直接从大自然里“借鉴”来的,就好像是在大自然的“群体协作展览会”上学了一手。一群 “微粒”们互相商量,看看谁的经验更靠谱,然后一起朝着“胜利大本营”前进。
算法设计与分析是计算机科学领域中的重要课题,主要涉及设计高效的算法,并对算法的时间复杂度和空间复杂度进行分析。通过算法设计与分析,可以提高算法的效率和性能,从而解决实际问题。
一、前言 模拟退火、遗传算法、禁忌搜索、神经网络等在解决全局最优解的问题上有着独到的优点,其中共同特点就是模拟了自然过程。模拟退火思路源于物理学中固体物质的退火过程,遗传算法借鉴了自然界优胜劣汰的进化思想,禁忌搜索模拟了人类有记忆过程的智力过程,神经网络更是直接模拟了人脑。它们之间的联系也非常紧密,比如模拟退火和遗传算法为神经网络提供更优良的学习算法提供了思路。把它们有机地综合在一起,取长补短,性能将更加优良。 这几种智能算法有别于一般的按照图灵机进行精确计算的程序,尤其是人工神经网络,是对计算机模
从1991由意大利学者 M. Dorigo,V. Maniezzo 和 A. Colorni 通过模拟蚁群觅食行为提出了一种基于群体的模拟进化算法——蚁群优化。极大关注,蚁群算法的特点:
粒子群算法,也称粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization),缩写为 PSO, 是由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm – EA)。
粒子群优化算法(Particle Swarm Optimization, PSO)作为进化计算的一个分支,是由Eberhart和Kennedy于1995年提出的一种全局搜索算法,同时它也是一种模拟自然界的生物活动以及群体智能的随即搜索算法。 粒子群优化算法起源于鸟群觅食的过程,一个核心机制是每只小鸟各自觅食,并记住一个离食物最近的位置,通过和其他的小鸟交流,得到整个鸟群已知的最佳位置,引导鸟群朝着这个方向继续搜索。 还有两个关键设置:粒子历史最优位置(pBest向量)、群体历史最优位置(gBest向量)。 这里pBest向量是一组向量,它包含了每个粒子的历史最优位置,gBest向量为pBest向量中适应值最高的向量,即全局最优。 说明:算法中一般取要优化的目标函数作为适应值函数,评估适应值的大小,然后更新pBest向量和gBest向量。
免疫算法是受生物免疫系统的启发而推出的一种新型的智能搜索算法。它是一种确定性和随机性选择相结合并具有“勘探”与“开采”能力的启发式随机搜索算法。免疫算法将优化问题中待优化的问题对应免疫应答中的抗原,可行解对应抗体(B细胞),可行解质量对应免疫细胞与抗原的亲和度。如此则可以将优化问题的寻优过程与生物免疫系统识别抗原并实现抗体进化的过程对应起来,将生物免疫应答中的进化过程抽象成数学上的进化寻优过程,形成一种智能优化算法。它具有一般免疫系统的特征,采用群体搜索策略,通过迭代计算,最终以较大的概率得到问题的最优解。相对于其他算法,免疫算法利用自身产生多样性和维持机制的特点,保证了种群的多样性,克服了一般寻优过程(特别是多峰值的寻优过程)的不可避免的“早熟”问题,可以求得全局最优解。免疫算法具有自适应性、随机性、并行性、全局收敛性、种群多样性等优点。 1.2 算法操作步骤 (1)首先进行抗原识别,即理解待优化的问题,对问题进行可行性分析,提取先验知识,构造出合适的亲和度函数,并制定各种约束条件。 (2)然后初始化抗体群,通过编码把问题的可行解表示成解空间中的抗体,在解的空间内随机产生一个初始种群。 (3)对种群中的每一个可行解进行亲和度评价。(记忆单元的更新:将与抗原亲和性高的抗体加入到记忆单元,并用新加入的抗体取代与其亲和性最高的原有抗体(抗体和抗体的亲和性计算)) (4)判断是否满足算法终止条件;如果满足条件则终止算法寻优过程,输出计算结果;否则继续寻优运算。 (5)计算抗体浓度和激励度。(促进和抑制抗体的产生:计算每个抗体的期望值,抑制期望值低于阈值的抗体;可以知道与抗原间具有的亲和力越高,该抗体的克隆数目越高,其变异率也越低) (6)进行免疫处理,包括免疫选择、克隆、变异和克隆抑制。 免疫选择:根据种群中抗体的亲和度和浓度计算结果选择优质抗体,使其活化; 克隆:对活化的抗体进行克隆复制,得到若干副本; 变异:对克隆得到的副本进行变异操作,使其发生亲和度突变; 克隆抑制:对变异结果进行再选择,抑制亲和度低的抗体,保留亲和度高的变异结果。 (7)种群刷新,以随机生成的新抗体替代种群中激励度较低的抗体,形成新一代抗体,转步骤(3)。 免疫算法运算流程图
作者丨焦李成整理丨维克多 编辑丨青暮 2021年12月17日,西安电子科技大学人工智能学院教授、欧洲科学院外籍院士、IEEE Fellow焦李成受邀参加2021中国计算机大会“下一代演化计算发展趋势”论坛,并做了“进化优化与深度学习的思考”的主旨报告。 在报告中焦李成梳理了“进化”相关的发展渊源与思想起源,指出了当前人工智能的学术缺陷与实际困境,并从类脑的角度给出了解决路径: “神经网络不应该是目前的意义上进行权重调参,它的结构应该具备变化性、可塑性、学习性和动态性;在类脑感知的过程中,脑的奖惩、学习、信
之前对一篇和本文类似的生物进化优化算法——遗传算法做了一些解释,本文所述的差分进化算法和遗传算法本身有相通的地方当然也有较多的差异。差分进化算法也是基于群体智能理论的优化算法,它是通过群体内个体间的合作与竞争而产生的智能优化算法,字面意思即可看出它有别于遗传算法的自由组合自然选择,它更侧重的是个体与个体和个体与自身间的关系,包括合作与竞争。
雷锋网 AI 科技评论按:2018 年 6 月 29 日至 7 月 1 日全球人工智能与机器人峰会(CCF-GAIR)在深圳召开,峰会由中国计算机学会(CCF)主办,雷锋网 (公众号:雷锋网)、香港中文大学(深圳)承办,得到了宝安市政府的大力指导,是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会,旨在打造国内人工智能领域最具实力的跨界交流合作平台。
粒子群优化算法(PSO)最初是由Kennedy和Eberhart博士于1995年受人工生命研究的结果启发,在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的演化计算技术。 PSO是一种随机全局优化技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域。由于PSO算法独特的优势,在工程领域中收到研究者的广泛关注。 PSO算法归根到底是一种利用随机法求多维函数特定区域的最值的算法。
一张图读懂国务院关于印发《新一代人工智能发展规划的通知》 附录: 专栏1 基础理论 1.大数据智能理论。研究数据驱动与知识引导相结合的人工智能新方法、以自然语言理解和图像图形为核心的认知计算理论和方法
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/142562.html原文链接:https://javaforall.cn
人工智能是计算机科学的一个大领域,它模拟计算机中的智能行为。在此基础上,提出了一种基于元启发式( metaheuristic)的粒子群优化算法来模拟鸟类觅食、鱼群移动等。这种算法能够模拟群体的行为,以便迭代地优化数值问题。例如,它可以被分类为像蚁群算法、人工蜂群算法和细菌觅食这样的群体智能算法。
随着我国社会主义市场经济的不断发展,以及互联网技术的普及,我国电子商务等产业迎来了新的发展高峰。为减少订单履行成本,满足客户多样化需求,增强核心竞争力,主流电商企业纷纷加大对仓储物流的投资力度,这为仓储业的发展带来了广阔的发展空间。
知识图谱是一种基于图的结构化知识表示方式.如何构造大规模高质量的知识图谱, 是研究和实践面临的一个重要问题.提出了一种基于互联网群体智能的协同式知识图谱构造方法.该方法的核心是一个持续运行的回路, 其中包含自由探索、自动融合、主动反馈3个活动.在自由探索活动中, 每一参与者独立进行知识图谱的构造活动.在自动融合活动中, 所有参与者的个体知识图谱被实时融合在一起, 形成群体知识图谱.在主动反馈活动中, 支撑环境根据每一参与者的个体知识图谱和当前时刻的群体知识图谱, 向该参与者推荐特定的知识图谱片段信息, 以提高其构造知识图谱的效率.针对这3个活动, 建立了一种层次式的个体知识图谱表示机制, 提出了一种以最小化广义熵为目标的个体知识图谱融合算法, 设计了情境无关和情境相关两种类型的信息反馈方式.为了验证所提方法及关键技术的可行性, 设计并实施了3种类型的实验: 仅包含结构信息的仿真图融合实验、大规模真实知识图谱的融合实验, 以及真实知识图谱的协同式构造实验.实验结果表明, 该知识图谱融合算法能够有效利用知识图谱的结构信息以及节点的语义信息, 形成高质量的知识图谱融合方案; 基于“探索-融合-反馈”回路的协同方法能够提升群体构造知识图谱的规模和个体构造知识图谱的效率, 并展现出较好的群体规模可扩展性.
本文内容由数据派THU 整理自梅宏院士在清华软件论坛上所做的专题报告 一、群体智能研究现状 群体智能是科学家长期关注和研究的一种自然现象。在很多低等社会性生物群体中可以观察到,群体中的单一个体不具有智能,或仅有非常有限的智能,由这些个体构成的群体却展现出远超个体能力的智能行为。这种在低等社会性生物群体层面上展现出的智能,通常被称为群体智能(Swarm Intelligence)。 1.1 人类社会中的群体智能现象 草地上的小路:即使没有人进行全局的规划或指挥,草坪上也会自发地涌现一条或几条条弯弯曲曲的小路
粒子群优化 PSO 引言 在机器学习问题中以及实际实践中,大多数的建模与控制问题最终都可以转化为一个约束或者无约束的优化问题,这些问题一般比较复杂,主要表现为规模大、维数高、非线性、非凸以及不可微等性质,而且由于非凸的原因往往存在较多的井点,传统的基于梯度的优化算法收敛速度快,但是对于初始值比较敏感,容易陷入局部最优(这也一直以来是bp神经网络的问题),对于高维复杂的函数难以实现高效优化。 粒子群优化(Particle Swarm Optimization),又称微粒群算法,是由J. Kennedy和R.
粒子群算法是一种智能优化算法。关于智能,个人理解,不过是在枚举法的基础上加上了一定的寻优机制。试想一下枚举法,假设问题的解空间很小,比如一个函数 y = x^2 ,解空间在[-1,1],现在求这个函数的最小值,我们完全可以使用枚举法,比如在这里,在解空间[-1,1]上,取1000等分,也就是步长为0.002,生成1000个x值,然后代入函数中,找到这1000个最小的y就可以了。然而实际情况不是这样的,比如为什么选1000等分,不是1w,10w等分,很显然等分的越大,计算量也就越大,带来的解当然也就越精确,那么实际问题中如何去平衡这两点呢?也就是既要计算量小(速度快),也要准确(精度高),这就是智能算法的来源了,一般的智能算法基本上都是这样的,在很大的搜索空间上,即保证了速度快,也能比较好的找到最优解。
粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。
仿生群智能优化算法是近些年来国内外学者研究的热点问题,其主要的思想是研究或者模仿自然界群体生活的生物的社会行为而构造的随机搜索方法。目前研究比较多的有两种算法:蚁群算法(ACO)和粒子群算法(PSO)。有研究结果表明,仿生群智能优化算法为许多应用领域提供了新思路和新方法。 2005年,印度学者K.N.Krishnanand和D.Ghose在IEEE群体智能会议上提出了一种新的群智能优化算法,人工萤火虫群优化(Glowworm Swarm Optimization, GSO)算法。2009年,剑
大家好,今天给大家介绍来自英国伦敦独角兽公司BenevolentAI的Meyers,Fabian和Brown近日发表在Drug Discovery Today上的综述论文。在该综述中,作者回顾了基于原子,基于片段,基于反应的三种范式的分子从头设计与生成的方法,同时对该领域的存在的挑战和机遇做出了阐述。
AI 科技评论按:2018 年 6 月 29 日至 7 月 1 日全球人工智能与机器人峰会(CCF-GAIR)在深圳召开,峰会由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,得到了深圳市宝安区政府的大力指导,是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会,旨在打造国内人工智能领域最具实力的跨界交流合作平台。
2017年7月7日-2017年7月9日,由中国计算机协会CCF主办、雷锋网和香港中文大学(深圳)联合承办的CCF-GAIR全球人工智能与机器人峰会,在深圳大中华喜来登酒店顺利举办。 此次大会围绕计算机视觉与NLP、自动驾驶、医疗机器人、金融科技、机器人与自动化五个主题展开,分为人工智能前沿专场、机器人专场、智能助手专场、金融科技专场、AI+专场、AI创投专场、未来医疗专场、智能驾驶专场、智能物流专场、机器学习专场、CV+专场。为期三天的大会是国内人工智能与机器人领域规模盛大、跨界最广的学术、产业和投资界
粒子群优化(Particle Swarm Optimization, PSO)算法是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法,自然界中各种生物体均具有一定的群体行为,而人工生命的主要研究领域之一是探索自然界生物的群体行为,从而在计算机上构建其群体模型。自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣,生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型,在他的仿真中,每一个个体遵循:
【导读】中国科学技术部 “科技创新2030—重大项目”近期或将新增“人工智能2.0”,人工智能将进一步上升为国家战略。近日,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿(英文)》出版了“Artificial Intelligence 2.0”专题,潘云鹤、李未、高文、郑南宁、吴澄、李伯虎、陈纯等多位院士以及专家学者参与撰文,对人工智能2.0中所涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。 中国“科技创新2030 重大项目”将新增“人工智能2.0” 根据中新网的
《新一代人工智能发展规划》中,明确指出了群体智能的研究方向,对于推动新一代AI发展有着十分重大的意义。目前,以互联网及移动通信为纽带,人类群体、物联网和大数据已经实现了广泛和深度的互联,使人类群体智能在万物互联的信息环境中日益发挥着越来越重要的作用,借此深刻地改变了AI领域。 比如基于群体开发的开源软件、基于众筹众智的万众创新、基于众问众答的知识共享、基于群体编辑的维基百科、以及基于众包众享的共享经济等等。 这些趋势昭示着AI已经进入了新的发展阶段,新的研究方向以及新范式已经开始逐渐显现,从强调专家的个
前面我们介绍了特征选择(Feature Selection,FS)与离散化数据的重要性,总览的介绍了PSO在FS中的重要性和一些常用的方法。今天讲一讲FS与离散化的背景,介绍本文所采用的基于熵的切割点和最小描述长度原则(MDLP)。 A. 特征选择 特征选择是一个组合优化问题,因为在具有N个特征的数据集上有2N个可能的不同特征子集。FS方法通常有两个重要的部分组成,即搜索技术和特征评估方法。 在特征评估方面,FS方法通常可以分为过滤(filter)和包装(wrapper)方法。过滤法基于它们的内在特性
【新智元导读】中国科学技术部 “科技创新2030—重大项目”近期或将新增“人工智能2.0”,人工智能将进一步上升为国家战略。近日,中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿(英文)》出版了“Artificial Intelligence 2.0”专题,潘云鹤、李未、高文、郑南宁、吴澄、李伯虎、陈纯等多位院士以及专家学者参与撰文,对人工智能2.0中所涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述。 中国“科技创新2030 重大项目”将新增“人工智能2.0” 根据中
最新CCF C³活动来到百度,更多关于大模型产业生态发展的问题在现场得到了解答。50余位企业界、学界专家、研究人员就此进行深入探讨。
内容来源:2022年11月12日,由边缘计算社区主办的全球边缘计算大会·上海站圆满落幕。我们非常荣幸邀请到了联通数科首席AI科学家廉士国博士来分享,廉博士是中国图像图形学会三维视觉专委会委员、IEEE智能计算及多媒体通信委员会委员、国家工业互联网产业联盟网络实验室专家委员,发表专著/论文、申请专利超200项,入选全球高被引科学家名录。
我之前的文章介绍了如何利用名为人工蜂群算法(ABC)的集群智能(SI)算法来解决现实世界的优化问题:https://medium.com/cesar-update/a-swarm-intelligence-approach-to-optimization-problems-using-the-artificial-bee-colony-abc-5d4c0302aaa4
人工智能是一个非常宽泛的概念,简单来说就是对人类思维的机器模拟,利用机器学习和数据分析方法赋予机器类人的能力。
MOCSO(Multi-Objective Competitive Swarm Optimizer)是PSO(粒子群优化算法)的变体
针对锂离子电池剩余使用寿命预测不准确的问题,提出了一种改进的灰狼优化器优化深度极值学习机(CGWO-DELM)数据驱动预测方法。该方法使用基于自适应正常云模型的灰狼优化算法来优化深度极值学习机的偏差、输入层的权重、激活函数的选择和隐藏层节点的数量。在本文中,从放电过程中提取了可以表征电池性能退化的间接健康因素,并使用皮尔逊系数和肯德尔系数分析了它们与容量之间的相关性。然后,构建CGWO-DELM预测模型来预测锂离子电池的电容。锂离子电池的剩余使用寿命通过1.44 a·h故障阈值间接预测。预测结果与深度极限学习机器、长期记忆、其他预测方法以及当前的公共预测方法进行了比较。结果表明,CGWO-DELM预测方法可以更准确地预测锂离子电池的剩余使用寿命。
潘云鹤院士:人工智能迈向2.0 来源:中国科学报,作者:潘云鹤 近年来,人们对人工智能(AI)产生了浓厚兴趣,产业界首先布局。大量资本与并购的涌入,加速了AI技术与应用的结合,并蔓延升温。据美国CBInsight公司2016年7月报告,2011年至那时,谷歌、微软、Twitter、Intel、Apple等IT巨头收购了约140家AI领域的创业公司。仅2016年上半年,资本市场对AI投入已超2015年全年。 谷歌2014年高价收购DeepMind公司,2016年研制的AlphaGo战胜了围棋世界冠军,2017
群机器人 群体机器人技术是一个非常有吸引力的研究领域,它基于将群体智能的范式和方法应用于简单的同质机器人组,以分布式和分散的方式进行协调,以执行单个机器人无法完成的困难任务。
本文来源:https://blog.csdn.net/qq_44186838/article/details/109181453
领取专属 10元无门槛券
手把手带您无忧上云