-
公开(公告)号：CN118094839A
公开(公告)日：2024-05-28
申请号：CN202410359586.4
申请日：2024-03-27
Applicant: 安徽大学
IPC: G06F30/18 , G06F30/27 , G06N3/126 , H02J3/00 , G06F111/06 , G06F119/02
Abstract: 本发明公开了一种基于大规模稀疏多目标进化算法的复杂电网级联失效攻击方法，包括：步骤一、获取复杂电网中的初始参数信息并进行处理；步骤二：定义攻击算法的优化决策向量以及优化目标函数；步骤三、建立级联失效模型，计算级联失效的节点个数；步骤四、基于大规模稀疏多目标进化算法设计了一种维度得分法和一种子代择优法，对复杂电网级联失效的攻击扰动进行求解，最终得到一组满足帕累托前沿面的最优攻击方案集。本发明能一次运行获得多种解决方案以满足高效攻击电网的需求，可以同时实现攻击代价小和攻击效果显著的效果。
-
公开(公告)号：CN115062236A
公开(公告)日：2022-09-16
申请号：CN202210631468.5
申请日：2022-06-06
Applicant: 安徽大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
IPC: G06F16/9536 , G06F16/958 , G06K9/62 , G06N3/00 , G06Q10/04 , G06Q50/14 , G06F30/27 , G06F111/06
Abstract: 本发明公开了一种基于多目标优化的混合重排旅游推荐方法，包括以下步骤：S1：数据集构建：收集用户的历史访问序列，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；S2：多目标优化混合重排模型的构建：包括种群初始化、目标函数的计算和种群的进化；S3：模型训练：利用训练集对多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；S4：模型预测：使用最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。还公开了一种基于多目标优化的混合重排旅游推荐系统。本发明能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。
-
公开(公告)号：CN114330870A
公开(公告)日：2022-04-12
申请号：CN202111614801.3
申请日：2021-12-27
Applicant: 安徽大学
Abstract: 本发明公开了一种基于多种群进化算法的带时间窗的车辆路径规划方法，包括：1为带时间窗的车辆路径问题生成一个辅助问题；2随机初始化生成两个种群，种群1用于优化原始问题，种群2用于优化辅助问题；3基于协同进化算法框架迭代优化两个种群并定期对两个种群执行局部搜索操作，直到满足停止条件，输出最优种群中非支配等级最高的个体作为车辆路径规划以及时间安排的最优方案。本发明能解决带时间窗的车辆路径规划问题，在找到最小使用车辆数目的同时，能得到更短的总行驶距离，从而提高运输效率，并降低运输成本。
-
公开(公告)号：CN114299459A
公开(公告)日：2022-04-08
申请号：CN202210079740.3
申请日：2022-01-24
Applicant: 安徽大学
IPC: G06V20/54 , G06F30/20 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/06
Abstract: 本发明公开了一种基于多模多目标进化优化的车辆图像分类方法，包括：步骤一、获取带有类别标签的车辆图像样本并构建训练数据集；步骤二、定义网络分类模型结构，包括是正常模块和降维模块；步骤三、随机初始化降维模块的结构并固定，以搜索令模型性能最优的正常模块并得到结构确定的正常模块；步骤四，固定结构确定的正常模块，以搜索令模型性能最优的降维模块并得到结构确定的降维模块；步骤五，由结构确定的正常模块和降维模块构成车辆图像分类模型用于对待分类的车辆图像样本数据进行分类。本发明能搜索到性能最优的网络模块结构进行集成，集成后的网络模型能够快速对车辆图像进行分类，并提升分类的精度和准确度。
-
公开(公告)号：CN109376842B
公开(公告)日：2022-04-05
申请号：CN201810946353.9
申请日：2018-08-20
Applicant: 安徽大学
IPC: G06N3/00
Abstract: 本发明公开了一种基于属性优化蛋白质网络的功能模块挖掘方法，包括：S1、提取蛋白质候选节点对；S2、通过蛋白质候选节点对的提取初始化种群及种群中每个个体的功能模块集合并根据模块度Qg和属性密度SAg计算每个个体的适应度值；S3、种群个体间进行交叉变异，产生子代种群；S4、子代个体继承父代个体的功能模块集合，并根据每一个子代个体和父代个体基因值之间的差异，调整子代个体的功能模块，得到子代种群每个个体的功能模块集合并计算每个个体的适应度值；S5、根据父代种群和子代种群个体的适应度值进行环境选择得到新的种群；S6、重复执行步骤S3‑S5，直到执行到最大迭代次数时，输出种群的帕累托最优解集中每个个体的功能模块集合。
-
Patent Agency Ranking
公开(公告)号：CN114239726A
公开(公告)日：2022-03-25
申请号：CN202111552679.1
申请日：2021-12-17
Applicant: 安徽大学
Abstract: 本发明公开了一种基于进化算法和模糊聚类的蛋白质功能模块识别方法，其步骤包括：步骤一、基于蛋白质网络的属性初始化种群，使用进化算法优化两目标问题，寻找非重叠的蛋白质模块的最优核心蛋白质节点，从而完成非重叠的蛋白质功能模块识别；步骤二、基于步骤一得到的核心蛋白质节点，初始化子种群，并用进化算法优化新的两目标问题，确定非核心蛋白质节点的最优模糊阈值，从而完成重叠的蛋白质功能模块识别。本发明能在不预定任何参数的情况下，自适应处理不同类型的蛋白质网络结构，从而提高蛋白质功能模块识别过程的稳定性，并且在蛋白质网络中找到较多有效的蛋白质功能模块的最优划分结果。
-
公开(公告)号：CN109376842A
公开(公告)日：2019-02-22
申请号：CN201810946353.9
申请日：2018-08-20
Applicant: 安徽大学
IPC: G06N3/00
Abstract: 本发明公开了一种基于属性优化蛋白质网络的功能模块挖掘方法，包括：S1、提取蛋白质候选节点对；S2、通过蛋白质候选节点对的提取初始化种群及种群中每个个体的功能模块集合并计算每个个体的适应度值；S3、种群个体间进行交叉变异，产生子代种群；S4、子代个体继承父代个体的功能模块集合，并根据每一个子代个体和父代个体基因值之间的差异，调整子代个体的功能模块，得到子代种群每个个体的功能模块集合并计算每个个体的适应度值；S5、根据父代种群和子代种群个体的适应度值进行环境选择得到新的种群；S6、重复执行步骤S3-S5，直到执行到最大迭代次数时，输出种群的帕累托最优解集中每个个体的功能模块集合。
-
公开(公告)号：CN109102122A
公开(公告)日：2018-12-28
申请号：CN201810931842.7
申请日：2018-08-16
Applicant: 安徽大学
Abstract: 本发明提供一种基于NSGAII分组处理大规模带容量约束的车辆路径问题的方法，包括步骤：数据预处理；参数初始化，定义初始迭代次数与最大迭代次数，并初始化一个可行解作为参考解；判断迭代次数是否到达所述最大迭代次数；通过多目标算法NSGAII对所述参考解进行优化分组；通过禁忌搜索算法对分组后第一前沿面上的子问题进行优化处理；更新所述参考解，累积迭代次数；将所述参考解作为最优解输出。
-
公开(公告)号：CN119763783A
公开(公告)日：2025-04-04
申请号：CN202411899368.6
申请日：2024-12-23
Applicant: 安徽大学
IPC: G16H30/20 , G16H30/40 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种多准则医学图像剂量预测方法，首先获取医学图像并进行合并、裁剪、归一化等图像预处理；然后训练深度神经网络得到剂量预测基础模型；再取基础模型部分网络层的权重作为个体，使用进化算法优化得到剂量预测泛化模型；最后使用泛化模型预测剂量，得到多准则的剂量预测分布图。本发明将进化算法与深度神经网络相结合，通过进化算法优化深度神经网络模型，从而能提高医学图像剂量预测模型的通用性，更好地适应不同的放射系统。
-
公开(公告)号：CN119417173A
公开(公告)日：2025-02-11
申请号：CN202411669045.8
申请日：2024-11-21
Applicant: 安徽大学
IPC: G06Q10/0631 , G06Q10/083 , G06Q10/087 , G06Q10/101 , G06Q50/04 , G06N3/126
Abstract: 本发明公开了一种基于两阶段差分进化四层供应链网络的生产和运输协同优化方法，包括：1.构建四层供应链网络生产和运输协同优化模型；2.求解一阶段的最优生产方案集合；3.求解二阶段优化的最优运输方案集合。本发明能获得CO2排放量小的的最优生产和运输方案，实现了全链路碳排放的有效控制和资源的高效分配，为供应链绿色设计与优化提供了高效、可行的重要决策支撑。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.029 seconds)
