项目名称: 雨滴计算模型及其应用研究

项目编号: No.61272283

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 王磊

作者单位: 西安理工大学

项目金额: 79万元

中文摘要: 在面向复杂问题求解的优化计算模型中如何建立全局与局部搜索之间的动态平衡,提升算法在收敛性前提下的综合计算性能,是自然计算模型研究中的关键问题。有鉴于此,课题组通过观察、抽象,进而模拟自然现象的降雨过程,探讨一种新型、高效的自然计算模型(雨滴计算)的实现方法,以提升计算模型在多变环境条件下的自适应能力,以及解决在相对复杂背景下的应用模式发现和自组织优化等问题。特别是通过对自然降雨过程的抽象,提取人工雨滴模型的特征和作用机理,在刨析全局与局部两种不同性质的搜索过程之间平衡机制的基础上,设计雨滴计算模型的相关规则。在此基础上,进一步通过针对多模函数优化、多目标优化等问题的仿真研究,分析模型中相关参数、算子等对问题求解的作用规律,从而指导算法在实际问题中的应用。最后,通过取得具有我国知识产权的研究成果,在所属研究方向上建立具有一定国际影响力的学术观点,为后续的研究工作创造条件。

中文关键词: 智能计算;人工雨滴算法;收敛性分析;数值优化;自适应性

英文摘要: As we know, it is a key problem in the research of Nature Inspired Computation, that how to set up a self-correcting homeostasis mechanism between the global and the local searching process, and to improve the whole computing ability of finding the optimal solution for complex problems solving with the condition of convergence. Based on the consideration above, this project aims at designing a novel nature inspired model, namely the Raining Computation Model (RCM for the short), for optimization with high computing capacity. Through observing, abstracting and simulating the natural raining process, RCM is inspired by the dynamic process of rain and raindrops getting vertical radial local flow affected by gravity along the terrain, in order to enable its self-adaptation in frequently changing conditions, and to get the ability of surrounding pattern recognition and self-organization under a complex environment. To be more detailed, RCM simulates natural phenomenon such as condensation, diffusion, flow and gather of raindrops, in which the production of new raindrops is based on raindrop's relative distance, and uses a semi-certainty search pattern that raindrops randomly generated make global search with uncertainty and diffusion operation has an effect on neighborhood so that local search direction is determine

英文关键词: Intelligence computation;artificial raindrop algorithm;convergence analysis;numerical optimization;self-adaption

成为VIP会员查看完整内容
0

相关内容

图神经网络前沿进展与应用
专知会员服务
144+阅读 · 2022年1月24日
【博士论文】分形计算系统
专知会员服务
32+阅读 · 2021年12月9日
[计算博弈论及其应用],85页ppt
专知会员服务
120+阅读 · 2021年7月21日
专知会员服务
93+阅读 · 2021年6月23日
专知会员服务
30+阅读 · 2021年6月18日
专知会员服务
43+阅读 · 2021年5月24日
专知会员服务
29+阅读 · 2021年4月12日
知识图谱在智能制造领域的研究现状及其应用前景综述
专知会员服务
151+阅读 · 2021年2月25日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
86+阅读 · 2020年8月2日
会议交流 | 开源开放知识图谱的构建与应用
开放知识图谱
2+阅读 · 2022年3月6日
图预训练技术在生物计算领域的应用
GenomicAI
0+阅读 · 2022年2月23日
【博士论文】分形计算系统
专知
2+阅读 · 2021年12月9日
面向任务型的对话系统研究进展
专知
0+阅读 · 2021年11月17日
约束进化算法及其应用研究综述
专知
0+阅读 · 2021年4月12日
【北大】知识图谱的关键技术及其智能应用
专知
111+阅读 · 2019年9月19日
【中科院计算所】图卷积神经网络及其应用
视频大脑:视频内容理解的技术与应用
AI前线
13+阅读 · 2019年4月18日
领域应用 | 知识图谱的技术与应用
开放知识图谱
17+阅读 · 2018年6月14日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013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
0+阅读 · 2012年12月31日
国家自然科学基金
10+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
20+阅读 · 2021年9月21日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Arxiv
10+阅读 · 2020年6月12日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
23+阅读 · 2018年10月24日
Arxiv
23+阅读 · 2018年10月1日
小贴士
相关VIP内容
图神经网络前沿进展与应用
专知会员服务
144+阅读 · 2022年1月24日
【博士论文】分形计算系统
专知会员服务
32+阅读 · 2021年12月9日
[计算博弈论及其应用],85页ppt
专知会员服务
120+阅读 · 2021年7月21日
专知会员服务
93+阅读 · 2021年6月23日
专知会员服务
30+阅读 · 2021年6月18日
专知会员服务
43+阅读 · 2021年5月24日
专知会员服务
29+阅读 · 2021年4月12日
知识图谱在智能制造领域的研究现状及其应用前景综述
专知会员服务
151+阅读 · 2021年2月25日
专知会员服务
94+阅读 · 2021年2月6日
专知会员服务
86+阅读 · 2020年8月2日
相关资讯
会议交流 | 开源开放知识图谱的构建与应用
开放知识图谱
2+阅读 · 2022年3月6日
图预训练技术在生物计算领域的应用
GenomicAI
0+阅读 · 2022年2月23日
【博士论文】分形计算系统
专知
2+阅读 · 2021年12月9日
面向任务型的对话系统研究进展
专知
0+阅读 · 2021年11月17日
约束进化算法及其应用研究综述
专知
0+阅读 · 2021年4月12日
【北大】知识图谱的关键技术及其智能应用
专知
111+阅读 · 2019年9月19日
【中科院计算所】图卷积神经网络及其应用
视频大脑:视频内容理解的技术与应用
AI前线
13+阅读 · 2019年4月18日
领域应用 | 知识图谱的技术与应用
开放知识图谱
17+阅读 · 2018年6月14日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013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
0+阅读 · 2012年12月31日
国家自然科学基金
10+阅读 · 2011年12月31日
相关论文
Arxiv
0+阅读 · 2022年4月20日
Arxiv
20+阅读 · 2021年9月21日
Attentive Graph Neural Networks for Few-Shot Learning
Arxiv
40+阅读 · 2020年7月14日
Arxiv
10+阅读 · 2020年6月12日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
23+阅读 · 2018年10月24日
Arxiv
23+阅读 · 2018年10月1日
微信扫码咨询专知VIP会员