摘要：生存预测对于胃癌患者的治疗具有重要意义.针对传统基于组织病理图像的生存预测算法存在像素级标签缺失、信息量大以及模态单一等问题,提出一种基于多模态多实例学习的胃癌患者生存预测算法.首先使用多层感知器和自监督学习方法SimCLR分别提取临床数据和组织病理图像特征,然后采用基于全局感知的多实例学习方法提取高分辨率下的包级嵌入,使用平均池化方法得到低分辨率下的组织病理图像实例级嵌入,最后通过多模态融合方法将包级嵌入、实例级嵌入和临床数据特征进行融合,以实现不同模态数据之间的信息交互和不同放大倍数下图像信息的充分利用.在云南省肿瘤医院胃癌患者病理数据库上的实验结果表明,与传统的多实例学习方法相比,所提算法在5×和20×组织病理图像下胃癌患者生存预测的准确率分别提高了5.6~10.0个百分点,4.1~7.5个百分点,与常规的多模态融合方法相比,提高了3.5~4.9个百分点.

摘要：针对一类广泛存在的分布式生产-运输-装配集成调度问题(Integrated scheduling problem of distributed production,transportation and assembly,ISPDPTA),建立问题模型并提出一种增强三维分布估计算法(Enhanced three-dimensional estimation of distribution algorithm,E3DEDA)进行求解。在E3DEDA的全局搜索部分,先根据ISPDPTA的问题特性,对包含工厂信息的工件与产品进行多段编码,并依据最短路径规则获得各车辆路径;再采用双三维概率模型分别学习和积累种群中较优个体的工件块与产品块结构及其位置信息,并采样生成新个体,从而增强算法发现优质解空间区域的能力。在E3DEDA的局部搜索部分,设计自适应变邻域局部搜索来增强算法的局部搜索能力。具体而言,针对问题各阶段特性,设计10种有效的邻域操作组成备选集合,并采用二维概率模型学习由不同邻域操作所构成的优质邻域结构信息,进而采样生成合理的邻域操作排列并依次执行,以实现对全局搜索所发现优质区域的深入搜索。此外,设计块结构概率评价更新机制,可提升算法执行效率。最后,通过仿真试验与算法对比验证E3DEDA可有效求解ISPDPTA。

摘要：针对供应链中一类广泛存在的带多行程批量配送的多工厂集成调度问题(Multi-Factory Integrated Scheduling Problem with Multi-Trip Batch Delivery,MFISP_MTBD),建立其数学模型并提出基于贝叶斯统计推断的混合帝国竞争算法(Hybrid Bayesian statistical inference-based Imperialist Competitive Algorithm,HBICA)进行求解.根据MFISP_MTBD问题特性,结合多行程标签机制设计新型编解码策略,并基于该策略构造新型启发式规则以提高初始解的质量.为有效保留优质解的模式信息,采用贝叶斯概率模型学习机制替换标准帝国竞争算法中的同化机制.为更加明确地引导搜索方向,算法每代均利用各帝国中的精英国家(即精英解或个体)重构贝叶斯概率模型,进而对其采样生成新种群.利用9种有效邻域操作动态构造各帝国中每个国家的局部搜索,并对由各帝国内部相邻国家间竞争所确定的强势国家(即获胜国)执行其局部搜索,进而对各帝国中的殖民国家(即该帝国内的最强国家)依次执行所有弱势国家的局部搜索.仿真实验和算法比较验证了所提算法可有效求解MFISP_MTBD.

摘要：本文提出一种混合超启发式遗传算法(HHGA),用于求解一类采用三角模糊数表示工件加工时间的模糊柔性作业车间调度问题(FFJSP),优化目标为最小化最大模糊完工时间(即makespan).首先,详细分析现有三角模糊数排序准则性质,并充分考虑取大操作的近似误差和模糊度,设计一种更为准确的三角模糊数排序准则,可合理计算FFJSP和其他各类调度问题解的目标函数值.其次,为实现对FFJSP解空间不同区域的有效搜索,HHGA将求解过程分为两层,高层利用带自适应变异算子的遗传算法对6种特定操作(即6种有效邻域操作)的排列进行优化;低层将高层所得的每种排列作为一种启发式算法,用于对低层相应个体进行操作来执行紧凑的变邻域局部搜索并生成新个体,同时加入模拟退火机制来避免搜索陷入局部极小.最后,仿真实验和算法比较验证了所提排序准则和HHGA的有效性.

摘要：提出了一种两阶段算法(TSA)用于求解多车场车辆路径问题(MDVRP).两阶段算法的第1阶段为分解阶段.多车场问题具有更大的可行解区域,为有效控制问题的求解规模并合理引导算法在优质解区域搜索,在该阶段提出了一种融合最近邻算法的混合高斯聚类算法(HGMA),将多车场车辆路径问题分解为一系列单个车场车辆问题.两阶段算法的第2阶段为问题求解阶段.在该阶段提出了一种增强蚁群算法(EACO)求解分解后的各子问题,进而获得原问题的解.在增强蚁群算法中引入了信息素挥发系数控制因子进一步动态调节信息素挥发系数,从而有效地控制了信息素的挥发,提高了算法的全局搜索能力,并且设计了基于多种变邻域操作的两阶段变邻域局部搜索(TVNS)来增强算法的局部搜索能力.在不同规模问题上的仿真和对比实验验证了所提两阶段算法的有效性.

摘要：本文针对以乙烯产率为生产指标的预测问题,基于双向门控循环单元网络(BGRU)建立乙烯产率预测模型,以最小化模型误差为优化目标并提出一种学习型人工蜂群算法(LABC)对预测模型进行优化和设计.在构建BGRU预测模型时,先对乙烯裂解炉实际生产过程进行分析,确定影响产率的关键因素并将其作为模型的输入;再采用LABC对BGRU网络模型的结构、初始权值和阈值、训练比和动量因子进行全面的优化和设计.在LABC中,首先根据人工蜂群算法(ABC)特点构建强化学习(RL)框架下的状态集、动作集、奖励函数和最优混合搜索策略,在此基础上,提出一种深度双Q网络(DDQN)来实现最优混合搜索策略,通过该策略可智能选择合适的搜索动作来执行针对不同状态的局部搜索.本文通过在标准数据集和实际生产数据上的测试及算法对比,验证了所提学习型人工蜂群算法优化的双向GRU网络(LABC BGRU)模型具有预测精度高、适用性强的特性.

摘要：本文针对动态流水车间调度问题(DFSP),以最小化最大完工时间为优化目标,提出一种自适应深度强化学习算法(ADRLA)进行求解.首先,将DFSP的新工件动态到达过程模拟为泊松过程,进而采用马尔科夫决策过程(MDP)对DFSP的求解过程进行描述,将DFSP转化为可由强化学习求解的序贯决策问题.然后,根据DFSP的排序模型特点,设计具有较好状态特征区分度和泛化性的状态特征向量,并依此提出5种特定动作(即调度规则)来选择当前需加工的工件,同时构造基于问题特性的奖励函数以获取动作执行效果的评价值(即奖励值),从而确定ADRLA的3类基本要素.进而,以深度双Q网络(DDQN)作为ADRLA中的智能体,用于进行调度决策.该智能体采用由少量小规模DFSP确定的数据集(即3类基本要素在不同问题上的数据)训练后,可较准确刻画不同规模DFSP的状态特征向量与Q值向量(由各动作的Q值组成)间的非线性关系,从而能对各种规模DFSP进行自适应实时调度.最后,通过在不同测试问题上的仿真实验和与算法比较,验证了所提ADRLA求解DFSP的有效性和实时性.

摘要：鉴于流程工业过程的非线性、多时段、多模式、时变性等复杂过程特性,导致传统的全局和集成学习软测量方法预测性能不佳,提出一种基于多相似度局部状态辨识的集成学习自适应软测量建模方法。该方法在离线建模阶段,从不同相似度准则出发辨识局部过程状态,进而生成多样性的局部模型;在线预测阶段,通过双层集成策略实现模型的在线动态选择、模型权重自适应确定、局部预测结果融合;在线更新阶段,通过KL散度评价当前与相邻状态数据分布的差异性以实现概念漂移的实时检测,进而决定是否在线添加局部模型。将新获取的离线检测值添加入建模数据库。通过工业金霉素发酵过程和脱丁烷塔过程验证了所提方法的有效性和优越性。

摘要：风电功率预测可为风电的并网和优化调度提供有效的指导信息,在风能的开发利用中扮演着举足轻重的角色。然而,由于风电固有的间歇性和随机性给准确的风电功率预测带来巨大挑战。同时,由于受季节性、气候性、设备老化等因素影响,随着时间的推移,风电功率数据特征难免发生改变,这将直接导致离线的风电功率模型性能发生退化。为此,提出一种在线选择性集成即时学习(OSEJIT)自适应风电功率预测方法。首先,为了有效处理风电的非线性和时变性特征,通过相似度、学习器扰动以构建多样性JIT基模型库。其次,为了保证集成有效性,定义基于Friedman检验的多样性指标和基于预测精度的准确性指标以实现模型的在线选择。随后,在线预测阶段,根据模型近期的预测性能通过自适应加权集成的方式获得最终预测值。为了保证基模型库的更新,同时规避模型频繁重建导致计算资源耗费的问题,采用一种基于KL散度的过程状态识别方法以减少模型重建频率。所提方法的有效性和优越性在一个实际风电功率数据应用中获得了验证。

摘要：针对深空探测器执行附着任务时各子系统协同规划自主性、快速性和自适应性的要求,提出一种基于近端策略优化方法的多智能体强化学习协同规划,将单智能体近端策略优化算法与多智能体混合式协作机制相融合,设计了一种多智能体自主任务规划模型,并引入噪声正则化优势值解决多智能体集中训练中协同策略过拟合的问题。仿真结果表明,多智能体强化学习自主任务规划方法能根据实时环境变化,对智能自主优化小天体附着任务的协作策略适时调整,与改进前的算法相比提高了任务规划成功率和规划解的质量,缩短了任务规划的时间。