摘要：针对经典蜘蛛蜂优化算法初始种群分布不合理、搜索与开发之间的转换不平衡、易陷入局部最优等问题,提出了一种融合对偶学习的动态蜘蛛蜂优化算法(dynamic spider wasp optimizer combined with duality learning,CLDSWO)。首先,结合Tent和Sinusoidal映射,设计了TS(Tent-Sinusoidal)映射,并采用TS映射生成分布更广泛且均匀的初始蜘蛛蜂种群。其次,设计了一个动态权衡因子,自适应地调整狩猎和交配行为之间的转换,实现全局搜索和局部优化之间的平衡。引入了基于对偶学习的变异机制,在对偶学习的过程中,引入逐维变异机制,加速算法的收敛,增强逃离局部最优的能力。为了验证CLDSWO算法的有效性,利用10个基准函数和CEC2017函数进行实验,并通过Wilcoxon检验证实仿真结果的显著性,实验结果表明,CLDSWO在平衡收敛精度和速度方面更具竞争力。将CLDSWO算法应用至压力容器设计问题和无源时差定位问题中,结果表明CLDSWO的精度分别提升了1.28%和36.67%,验证了CLDSWO算法在求解实际工程应用问题中的有效性。

摘要：无监督图像翻译使用非配对训练数据能够完成图像中对象变换、季节转移、卫星与路网图相互转换等多种图像翻译任务.针对基于生成对抗网络(Generative adversarial network,GAN)的无监督图像翻译中训练过程不稳定、无关域改变较大而导致翻译图像细节模糊、真实性低的问题,本文基于对偶学习提出一种融合自注意力机制和相对鉴别的无监督图像翻译方法.首先,生成器引入自注意力机制加强图像生成过程中像素间远近距离的关联关系,在低、高卷积层间增加跳跃连接,降低无关图像域特征信息损失.其次,判别器使用谱规范化防止因鉴别能力突变造成的梯度消失,增强训练过程中整体模型的稳定性.最后,在损失函数中基于循环重构增加自我重构一致性约束条件,专注目标域的转变,设计相对鉴别对抗损失指导生成器和判别器之间的零和博弈,完成无监督的图像翻译.在Horse&Zebra、Summer&Winter以及AerialPhoto&Map数据集上的实验结果表明:相较于现有GAN的图像翻译方法,本文能够建立更真实的图像域映射关系,提高了生成图像的翻译质量.

摘要：针对生成式对抗网络在半监督问答系统领域的局限性:1.生成式对抗网络中的判别器与生成器存在结构对偶属性,在现有研究中被忽略。2.直接使用生成器生成的问答句对与人工标注的问答句对训练判别器易产生过拟合与偏差判别器。为了解决以上局限性,提出一种新型的对偶生成式域自适应网络。首先,设计判别器与生成器作为对偶闭环,提出概率对偶正则化项监督生成器与判别器训练过程,同时训练判别器与生成器,使得反馈信号在两者之间共享。然后,提出领域标签作为判别器的额外输入,区分生成器生成的问答句对与人工标注的问答句对,防止判别器过拟合与生存偏差判别器。基于问答数据集SQUAD数据集进行实验,实验结果表明,提出的对偶生成式域自适应网络相对于全监督问答模型具有好的性能,节省超过一半的标签成本;相对于传统生成式对抗网络具有更优的F1值与EM值。