摘要：现有的领域自适应方法在匹配分布时并未完全考虑伪标签置信度或伪标签损失计算问题,针对此类问题,提出循环选择伪标签分类模型(CSPL)。利用深度网络提取图像特征,为目标域打上高置信度伪标签使得训练数据增强,采用MMD距离度量方法对齐源域和目标域的概率进行分布,同时设计伪标签损失同步迭代学习,更新模型作为下一次循环的训练模型直至模型收敛。在常用的领域自适应数据集Office31、Office-Home、ImageCLEF-DA以及Amazon-Review上实验表明,该模型相比之前域适应模型在准确度方面平均提升4%~8%,且模型的鲁棒性也明显增加。

摘要：提出一种处理高维背包问题(KP)的贪婪封装二进制差分进化算法(GPBDE),并设计了一种贪婪封装的修补策略处理不可行解.为了提高种群的多样性及算法的全局搜索能力,对适应度较低的个体执行对偶变换.数值实验选取4种KP对GPBDE的优化能力进行测试,并将所提出的算法与4种同类算法进行比较,结果表明,GPBDE具有较强的寻优和约束处理能力,且收敛速度较快.

摘要：针对克隆选择算法(clonal selection algorithm,CSA)求解高维背包问题(knapsack problem,KP)时可行抗体比率低且易于陷入局部搜索的问题,充分挖掘免疫系统的抗体多样性机理,提出了受体编辑机制,并设计了二次修补策略增强约束处理能力,获得了改进的克隆选择算法CSA-ER(clonal selection algorithm with receptor editing and repair)。数值实验将CSA-ER与CSA的一系列变体(CSA-M、CSA-E、CSA-MR)及两类其他群智能算法应用于两类KP进行了仿真比较,结果表明CSA-ER具有较强的开采和收敛能力。同时对CSA-ER的3个参数(克隆选择率α、编辑率Tr及基因段基准长度σ)进行了敏感性分析,获得了合适的参数选择策略。

摘要：免疫算法求解约束多目标优化问题时,如何设计抗体的亲和力,以及如何保持或提高种群的多样性为算法设计的关键.本文基于免疫系统的固有免疫和自适应免疫交互运行模式,提出目标约束融合的并行约束多目标免疫算法(parallel constrained multiobjective immune algorithm,PCMIOA).利用支配度和浓度设计抗体的亲和力,提出了目标约束融合的评价方法,增强了算法的收敛性.借助基因重组中DNA片段的转移机制,设计一种转移(transformation)算子,提高了种群的多样性.针对已有性能评价准则存在的不足给出一种改进的支配范围评价准则.数值实验选用12个约束二目标和4个非约束三目标测试函数验证PCMIOA的优化性能,并将其与3种著名的约束多目标算法和5种非约束多目标算法进行比较.结果表明:PCMIOA具有较强的优化性能.与其他算法相比,PCMIOA所获的Pareto最优前沿能较好的逼近真实Pareto最优前沿,且分布较均匀.

摘要：借鉴人工免疫系统的记忆、动态识别等功能及模拟退火选择理论,提出一种适用于求解动态环境优化问题的动态免疫算法(DIASA),并将其用于高维动态约束背包问题。算法设计包括:(1)抗体的亲和力随群体进化而变化;(2)可行抗体被克隆和动态突变,突变概率与抗体浓度相关,而非可行抗体按价值密度贪婪修正;(3)新环境初始群经环境识别算子按不同方式生成,相似环境初始群由记忆细胞及随机抗体产生。数值实验中,选取著名的动态进化算法(ETGA)和动态免疫遗传算法(ISGA),通过不同难度的高维动态约束背包问题进行仿真比较,结果表明:DIASA较算法ISGA和ETGA对不同问题在各环境内表现较强的优化性能,群体中抗体多样性保持较好,能快速跟踪不同环境的最优值,收敛性强。

摘要：生物免疫系统的自适应学习、免疫记忆、抗体多样性及动态平衡维持等功能,提出一种动态多目标免疫优化算法处理动态多目标优化问题。算法设计中,Logistic映射产生混沌抗体群;利用抗体的被控度和抗体拥挤距离设计抗体的亲和力;借助控制概念将群体分为非控群和被控群,再分别对其施行不同方式的突变增强群体的多样性;利用免疫记忆、Average linkage聚类方法,设计外部集和记忆集分别保存非控个体和亲和力较高抗体,所获的记忆细胞参与相似或相同环境初始抗体群的生成;借助三种不同类型的动态多目标优化测试问题,通过与两种最新的动态多目标进化算法及一种动态多目标克隆选择算法比较,数值实验论证了所提出算法在动态跟踪Pareto面的速度和执行效果上较其它算法优越。

摘要：研究有效的增强投资的效益,针对风险资产的最大和最小投资比率给予限制,使投资风险进行量化。为了提高投资效益,提出设计一种约束多目标免疫优化算法,并将用于约束多目标投资组合模型求解。算法设计中,亲和力由抗体浓度及被控程度决定,增强算法的约束处理能力,初始群通过混沌机制获取,有效地加速算法的收敛速度,每个抗体克隆数目根据亲和力动态变化,增强算法的开采和探索能力。通过实际数据将设计的算法与著名的多目标进化算法NSGAII比较,结果表明,所设计的算法比NSGAII在新的模型下获得更好的收敛性及更高的投资效益。

摘要：借鉴人工免疫系统的记忆、动态识别等功能,提出一种约束动态免疫算法(CDIOA),并用于高维约束动态背包问题的求解。通过随机约束选择策略选择可行及非可行抗体,非可行抗体参与群体的进化;利用抗体修正策略确保进化群中有一定比例可行抗体,提高算法搜索功能;设计环境识别模块判断环境变化与否,建立环境记忆池保存较优秀记忆细胞,记忆细胞参与相似(相同)环境初始群的产生,加速算法在相似环境搜索速度。建立三种不同环境的动态背包问题作为标准测试实例,将CDIOA与已有的四种动态优化算法进行测试比较,结果表明:CDIOA对各测试问题在不同环境表现出较好的收敛性能,在相似环境能快速跟踪最优值。

摘要：基于进化理论的动态多目标优化算法极易陷入局部最优,跟踪动态Pareto有效面的速度及效果较差。基于免疫系统机理提出一种改进的免疫优化算法(DMIOA)用于动态约束多目标问题求解。算法通过抗体浓度及其支配度设计抗体与抗原亲和力,随机约束选择算子提高算法约束处理能力,环境识别算子自适应判断环境变化,根据识别结果以不同的方式产生新环境的初始抗体群。数值实验中,将DMIOA应用于两种动态标准测试问题及飞机减速器参数动态设计问题的求解,结果表明:DMIOA能快速跟踪动态Pareto有效面,且在各环境所获面分布均匀,具有较好的实际问题求解能力。

摘要：基于生物免疫系统的机理及功能,提出一种动态多目标免疫算法。利用抗体的被控度及浓度设计抗体的亲和力。用环境记忆池保存优秀抗体,并依抗体浓度更新。记忆细胞参与相似或相同环境初始抗体群的生成。借助动态多目标测试问题,与同类算法仿真比较,结果表明,该算法较其他算法表现出更好的性能,能快速跟踪动态Pareto面且分布均匀,具有较强的求解实际动态问题的能力。