文摘

视觉定位似乎表明口头交流的减少,但是口语交际都有自己的生活空间在新媒体生态。研究发现,在数字媒体时代,语音通信是表现为一个单一功能,模拟当前的交互和信息交流。虽然语音通信是一个谎言由个人、主体的话语之间的交互和实际交互领域独立的情感距离,但情况是和谐和包容的。下面的语音通信和新媒体技术仍然是值得信赖的。针对多因素进化算法(MFEA),最经典进化算法在多任务多因素计算,我们理论上分析MFEA固有的缺陷在处理多任务优化问题与不同的子功能维度,提出一种改进的版本的多因素进化算法,称为HD-MFEA。HD-MFEA,我们提议heterodimensional选择交叉和自适应精英替换策略,使HD-MFEA更好地开展基因迁移heterodimensional多任务环境中。同时,我们提出一个基准测试问题的多任务优化不同的维度,和HD-MFEA优于MFEA和其他改进算法在测试问题。其次,我们扩展应用程序的多任务进化计算的范围,和第一次不同结构的神经网络训练问题是相当于不同维度的多任务优化问题。与此同时,根据神经网络的分层特点,heterodimensional多因素神经进化算法HD-MFEA neuro-evolution同时提出训练多个神经网络。在混沌时间序列数据集通过实验,我们发现HD-MFEA neuro-evolution算法远优于其他进化算法,及其梯度算法收敛速度和精度比常用的神经网络训练。

1。介绍

的口语已经从模仿的阶段,传统的语言符号的形成,含糊不清的信息清晰的共识,从狭窄的部落社会交流的深度和广度。口头交流中扮演着重要角色在个人和社会之间的互动交流。口头沟通不仅可以培养个体意识(知觉)也参与社会发展的形成过程。口语的有效性不仅是简单的信息交互而且在知识传播,文化生产、和情感维护。苏格拉底的坐着讨论Dao播种智慧的种子对观众口头交流的形式,和知识继承取决于听众的自我实现。口语生成的习题课和诗歌文化弥补个人精神的贫困文化。口头语言集成了视觉符号的形式存在,实现情感的经验集成。

1.1。口头交流的平衡理论危机下的映射网络

书面语言的出现使得语言从口头传统转向世俗权力,导致强调空间关系时间关系1]。个体间互动交流的口语不能保存在过去。人类声音的录音起源于现代科学和技术的发展。留声机的发明使录音的声音不再是神话。记录声音一直是一个非常受欢迎的行为,我们也和个人享受听觉的感官体验。口头沟通可以保存在互联网技术的建设,和口语的垂直沟通可以实现在时间的维度。麦克卢汉提出地球村的概念,和口头交流的距离不再是一个问题。在互联网技术的帮助下,口头交流突破了距离的束缚,实现水平的飞跃口头交流的空间维度。口头交流突破了时间和空间维度的局限性。主流话语体系下的信息和知识共享,知识产业的垄断行为造成的口头交流往往会固化。 The popularization of knowledge is a normalized behavior. The Internet aggregates all kinds of knowledge, and individuals’ search for information on demand is a daily presentation. The monopoly of knowledge inheritance constructed by oral communication has been questioned in the new context. Similarly, the effect of oral communication in space diffusion is no less than that of paper, which plays a key role in the process of civilization because of its portability.

1.2。现实与虚拟的区别在口腔领域的互动交流

传统上,依靠书面方式(而不是眼睛和耳朵),和视觉艺术、建筑、雕塑、绘画和其他方式(而不是依赖于时间和空间)表达(2]在媒体的影响下,口服衰变的现实似乎无法核实,特别是面对视觉时代的时代印刷文本和图像。但事实上,口头沟通并没有消失。口头沟通和其他媒体信息传播所依赖创造了同样的话语表达的空间。新媒体的存在不是基于牺牲的前提下口语的存在但使他们能够结合,形成一个和谐的局面。口语是multi-information表达式的模式之一,和它的实用性仍然扮演着重要的角色在个人的日常生活。感觉幸福的交流不仅限于收购的最新信息,但彼此交流的情感安慰。信息交流和传播方式的多样化,表意性质的视觉标准是强调多元化信息的表示。真正的口语互动与虚拟互动口语其实很不同。现在和nonpresent的特点如下:在实际口语互动,参与同一领域的人沟通的模式,和沟通的主体和客体能感知对方的微妙的细节和心理变化。口语互动的虚拟空间提出了超现实的模拟通信领域。 In the local framing of the horizon, the individual cannot perceive the changes of objects outside the horizon. However, in the real oral communication environment, the oral communication environment is flexible, and the intervention of information transmission can be flexible in the face of unexpected situations. From the perspective of relationship composition, it is not difficult to construct the relationship between subject and object in real field communication, while the relationship construction of oral communication in a virtual environment has distinct directivity.

1.3。非语言符号的协同和信息异质性

非语言沟通是指人们交换信息的过程与“非语言”的行为有意识地或认为是有意识的在一个特定的环境(3]。作为一个媒介,口头交流不是一个单一的表意过程但清楚地描述同一对象与非语言符号。这些非语言符号包括个人行为和表情,和他们的主要功能是促进意义的澄清。口头和非语言符号的协调一起构建一个完整的系统。信息传播的主体往往是不同的解释,甚至模糊了事实本身,影响互动口语交际的效果。个体差异的基础上熟悉的语义代码所示,和自己的理解语义代码无法解释事实本身,熟悉语义!当代码块在异构的地区,非语言符号与独特优势发挥关键作用。根据网络媒体生态,非语言符号显示丰富的特点。在过去,信息流通通过多级传播。在循环的过程中,不同层次的观众在各种self-interpretation过程解释信息。 In the process of interpretation, there are a lot of misinterpretations and misinterpretations. This phenomenon is the key factor that causes the deviation between oral communication and actual intention.

目前,大量的文学作品有提升,改进,应用于多任务进化计算,并取得了良好的结果。研究多任务进化计算可分为四类:多任务框架扩展到更广泛的进化算法,应用多任务进化计算多目标问题,应用多任务进化计算实际的优化问题,并提出改进的多任务根据MFEA进化算法。第一种问题,研究温和停4)多任务进化计算的概念扩展到遗传编程(GP),提出了多因子的遗传编程(MFGP)。冯et al。5]提出的多因子的粒子群优化算法(MFPSO)和多因子的差异(MFDE)算法基于PSO和德。Yokoya et al。6)提出了多因子的人工蜂群算法(MFABC)和应用优化汽车结构设计。针对多任务进化计算研究的多目标问题,Fogel et al。7)首次提出多目标和多任务进化算法(MO-MFEA)和验证算法在多目标优化问题的有效性的现实。古普塔et al。8)建模操作指数在选矿过程是一个多目标优化问题和多任务的问题,利用改进的MO-MFEA解决了这个问题。第三种类型的问题,多任务进化计算取得了良好的效果在符号回归问题9)、生物网络模块识别问题(10],最短路径树的问题[11),和组合优化问题12]。第四类型的研究缺陷改善MFEA,主要关注两个主要问题在MFEA: (i)如何调整基因移植自适应地根据任务之间的相似性。去噪autoencoders提出(13)应该使用自动构建任务之间的映射和完整的基因通过映射迁移。MFEA基于分解方法(14)和资源分配机制,动态调整基因迁移根据任务之间的相似性。(2)如何使基因迁移MFEA发挥作用时,最优解任务之间有很大的不同。巴厘岛et al。15)提出了一种自适应策略来解决这个问题。假设不同的优化算法同时处理两个任务困难,战略地图的优化空间低困难任务的优化空间高困难的任务,和相似的映射和后者两个任务变得更高,可增强基因迁移的影响。Gustafson和伯克16]提出的战略决策变量变换,其基本思想是将个人不同的任务映射到相同的位置归一化搜索区间在基因转移。

本文系统地介绍了多因素进化算法(MFEA),在2部分,给出了基本性质的MFEA在多任务环境中,并系统地分析了整个算法MFEA流动。节3基准测试问题,详细介绍了用于多任务优化,和MEFA的性能进行了分析通过比较MFEA SOMA的基准问题。通过分析,我们发现MFEA无法解决测试问题不同的子功能维度。节3,我们提出了一个改进的版本MFEA等维多任务优化问题和应用混沌时间序列的预测问题。

2。多因素进化算法

本节着重于多任务进化计算。多任务进化计算是进化计算的一个新方向,近年来引起了人们广泛的关注。之间有一个相似的任务时,可以使用进化算法同时优化多个任务,实现更好的结果比单一任务算法通过基因转移任务之间共享信息。本节主要介绍了第一个多任务进化算法和多因子的进化算法。节2首先,多任务优化的数学定义,进化算法在多任务环境下的特殊性质。然后,整个算法流程MFEA详细分析,和选择性交叉算法(选择性)MFEA详细介绍了交配和选择性的模仿。节2,MFEA验证实验。首先,介绍了多任务优化基准测试,然后,MFEA于基准函数的结果进行了分析。部分2总结部分的内容2。

2.1。算法分析

多因素的进化算法(MFEA)是第一个多任务进化算法,可以同时优化多个问题通过一个单一的人口。在本节中,我们首先介绍了MFEA的基本定义,然后详细分析MFEA的整个过程。

2.1.1。基本定义

在这里,我们首先定义多任务优化:考虑K优化任务,用 ,的目标函数jth任务Tj是 ,在哪里 是域后,函数。多任务优化的目的可以表示为 ,在 。MFEA作为每个任务,定义了人口的一个因素P规模为N。为了使算法适用于多任务问题,MFEA定义了个体的三个基本属性p我和 人口P。

定义1(阶乘排名)。所有个体的适应值P在任务Tj形成一个自适应阵列 ,在哪里N人口数量和代表f代表个体的适应值p我在任务Tj。自适应值的数组是按升序排序。因素水平的个体p我在任务Tj下标的价值吗F在排序的数组,表示rij。
根据这个定义,我们可以知道 和 ,和因素等级rij代表个人的质量p我在任务Tj。年级越小因素rij是,个体越好p我执行任务Tj。当rij= 1,这意味着个体p我是最优的任务Tj。人群中所有个体的因素水平在所有任务构成矩阵的因子水平R的人口。

定义2(标准适应价值,标量健身)。标准的适应价值是个体的质量评价标准在多任务环境中。标准的自适应个人的价值p我表示为 ,可以得到以下方程: 的定义,我们可以看到 ,越大 ,个人就越好。在单一任务环境中,一个人的价值的目标函数可以直接作为适应值,但是在一个多任务环境中,有K目标函数和一个个体所能拥有K自适应值。如何评估一个人的优点和缺点在多任务环境中成为一个问题?从公式可以看出(1),只要个人最优任务(因素水平等于1),个人的标准将是最大的健身价值。

定义3(最优因素、技术因素)。最优的个体因素p我表示为 。任务Tj的任务吗p我表现最佳的K任务。 标准健身可以帮助我们衡量个人的优点和缺点p我在多任务环境中,但是我们仍然需要知道标准的健身 的p我生成的任务p我。因此,MFEA介绍个人最优系数的概念,用来代表一个人的任务是最优的。
从以上三个定义,我们可以知道,不同于一个简略的优化问题,多任务优化不需要一个人来获得最优解在所有任务。只要一个人获得最优解在一个任务,个体将达到最优解决方案在多任务环境中。多因素进化算法引入了多任务优化的概念来描述上述情况。

定义4(多任务最优)。个体的适应值p在K的任务是 。如果 使 对所有可行的有效的 ,p据说是多任务优化。
测试和验证上述改进的有效性,选择球体,。,Griewank, Ackley,和Rastrigin实验五个经典测试函数,函数定义和变量范围如下:(我)范围: (2)。: (3)Griewank: (iv)《护理: (v)Rastrigin:

2.1.2。算法流程

传统的简略进化算法(结构)使用真实或二进制编码。算法的主要过程是通过交叉和变异产生的后代,然后选择优秀个体为下一代通过选择操作。MFEA以传统遗传算法为原型算法和扩展的编码模式和生成模式的后代。

(1)Encoding-Decoding方法。进化算法用于向量来代表个人的人口,和单个元素的向量称为“基因”,同样的,我们将一个向量称为“染色体。“MFEA使用单一物种和优化所有任务在同一时间,但对于不同的任务,不同维度的搜索空间可能不同,设计和新的编码方法需要将个体映射到多个任务。多因素进化算法采用一种新的码译码方法来解决这个问题。在编码阶段,不同的任务的搜索空间是线性映射到统一的间隔Y。这意味着,在每个维度,不同的任务是线性的搜索空间压缩到[0,1]的范围;如果任务之间的尺寸是不同的,所有任务的最高层面是作为一个维度 统一的时间间隔Y。解码阶段是指个人的解码编码在统一的时间间隔Y到实际的搜索空间中的值对应于任务当评估个体的适应值。例如,假设真正的变量y在我th维度的任务对应于真实的搜索空间(l,U),和相应的变量在统一的时间间隔Y是X。解码过程是指获取的过程Y从X这样可以完成单个变量的解码。为任务T,它的尺寸是D,所以我们只需要解码第一D变量向量在统一的时间间隔Y。为什么这个coding-decoding方法是多因素进化算法采用不同的任务的搜索空间是压缩成一个统一的时间间隔,然后,基因转移任务之间可以通过交叉操作进行。

(2)传统的简略遗传算法。通过交叉变异算子产生的后代,但后代的生成模式是多因素不同的进化算法。多因素进化算法的核心是利用任务之间的相似性和不同任务之间进行隐性基因转移通过交叉运营商加快收敛的任务。使用选型交配产生后代的多因素进化算法。选型交配算法的伪代码如表所示1。

表1
选择交叉算法伪代码。

选择性交叉算法是多任务进化计算的核心,它使用交叉运营商之间转移基因不同的任务。让个人的最佳因素P是t,这表明P是最优的任务T。所有个人的人口P的最优系数是1共同构成任务的候选解决方案吗T。选择交叉算法的目的是交流任务的前提下的分布的候选解决方案的任务T不会改变太多。选择交叉算法,如果两个父母是相同的或最佳因素 RMP & gt,后代一代直接通过交叉和变异算子生成,和后代的分布基本上符合父母的一代。只有在 RMP & lt,父母有不同的最优因素交叉完成隐性基因转移。RMP代表概率随机交配,这是用来控制基因迁移的大小。可以看到从选择交叉算法的伪代码,如果RMP太小,迁移任务之间将更少,多任务进化算法将沦为单任务操作传统的进化算法。如果RMP太大,候选解决方案的分配一个任务将大大改变,算法将在探索,融合会慢下来。后一代的后代,这是必要的,以确定最优的因素属性的后代。后代的适应值可以评估在所有K任务,然后,后代的最佳因子可以根据公式(2)。然而,这样的一个操作耗时的价值K是非常大的。选择性模仿是用于多因素进化算法来解决这个问题。选择性直接模仿意味着后代继承父母的最佳因素,只有执行解码和健身评价任务对应于最优因素。当两个父代的最优因素不同,随机选择一个父的后代继承其最佳因素。选择性模拟算法的具体流程如表所示2。

表2
选择性模拟算法的伪代码。

其他操作的多因素进化算法是相同的传统遗传算法,和整个算法的伪代码如表所示3。首先,人口是随机生成的,和适应价值评估在所有任务来获得个人因素等级和最优因素属性。上面的步骤是初始化的步骤。初始化后,算法迭代的开始。首先,孩子们根据选择性交叉生成算法。在RMP,两个的父母不同的最优因素通过交叉操作完成不同任务之间的基因转移。然后,进行选择性模仿操作生成的后代为了确定最优因素根据母公司的子代个体。在确定最优因子的后代,只有后代的适应值计算最优因素的任务,然后,父母和子女结合形成中间的一代。在这一点上,个体的适应值在中间一代,年级和因素,最优因子,和标准个体的适应值属性在中间一代更新。标准的适应价值是作为测量,并从中间一代最优个体被选中进入下一个循环。 Finally, the algorithm is iterated until the end of the algorithm.

表3
多因素进化算法的伪代码。

3所示。实验结果

在本节中,通过实验验证了模型的多因素进化算法的性能。首先,介绍了实验中使用的基准测试问题,然后,多因素进化算法的性能测试问题进行了分析。

3.1。基准测试问题

不同于现有的单任务操作优化和多目标优化问题,多任务优化需要设计一个新的测试问题。文献[13)指出,重叠的程度之间的全局最优值的任务和任务之间的相关性对多任务的问题影响最大的。多任务优化问题可以分为完整的十字路口(CI),部分路口(PI),没有十字路口(ND)根据任务之间的全局最优值的重叠程度。根据任务之间的关系,可以分为三种类型:高相似度(HS),中间相似(MS)和低相似性(LS)。简略多任务基准问题如表所示4。

表4
简略多任务基准测试问题。

斯皮尔曼等级相关系数是用来衡量相似性的任务。假设个体X是解码 和 在任务 和 在统一的时间间隔 。 和 ,分别代表个人因素两个任务上的成绩。我们随机生成1×106个人在统一的时间间隔 形成的序列 ,解码任务序列 和 ,分别生成新的序列 和 。然后,之间的相似性 和 可以表达的 :

根据程度和重叠 任务之间的全局最优值,几种常见简略测试函数是旋转和转移,然后组合成三种类型的9基准测试问题[13),如表所示3。基准问题的更详细的信息可以在原始文献[13]。

3.2。结果分析

在本节中,多因素的结果,进化算法(MFEA)和简略遗传算法(SOMA)进行了比较。MFEA等于100的人口规模,最终数量的周期等于1000,和随机交叉概率rmp - 0.3。选择交叉操作来模拟一个模拟二进制交叉算子(墨),选择多项式变异算子和变异操作。自从MFEA优化两个任务同时,SOMA优化只有一个任务,SOMA的最大迭代次数设置为500,以确保公平的比较,和其他参数与MFEA一致。每个算法独立运行50次消除结果的随机性,最后的结果如表所示5。收敛曲线修改SOMA和SOMA完全巧合的问题全局最优值(CI)如图1。

表5
结果MFEA和SOMA多任务指标问题。
(一)
(一)
(b)
(b)
图1
收敛曲线修改SOMA和SOMA完全巧合的问题全局最优值(CI)。

从表可以看出5和收敛图,MFEA有出色的表现,6个问题(CI +海关,CI +女士,CI + LS, PI +女士,倪+海关,和镍+ MS)和优于SOMA的精度和收敛速度。在PI + LS和倪+ LS, MFEA不执行。文献[13]当然状态,当任务之间的相似性较低,MFEA的影响将变得更糟。从图可以看出1、修改SOMA略逊于SOMA在倪+ LS问题,和MFEA远比SOMAπ+ LS的问题。然而,RPi-LS问题大于镍+ LS问题,所以MFEA的性能不仅受到任务之间相似性的影响。从表可以看出5这两个任务的尺寸在π+ LS问题是不同的,在多任务优化和MFEA执行不佳问题不同的维度。全球最优收敛曲线修改SOMA和躯体部分巧合(PI)如图2。

(一)
(一)
(b)
(b)
图2
全球最优收敛曲线修改SOMA和躯体部分巧合(PI)。

改进的蚁群算法(IVRS + 20 pt)蚁群算法结合20 pt (AC0 + 20 pt),和蚁群算法结合人工蜂群算法(ACO + ABC)近年来被选为优秀的结果的比较来验证离散狮子蚁群算法的有效性。表4给出了比较结果六TSP问题。“_”表示没有数据在原始文献,和黑体数字显示最佳的性能在四个算法。从表可以看出4,离散狮子蚁群算法优于其他三种算法在最优和平均的解决方案。算法+ ABC算法,离散狮子蚁群算法可以提高解决方案的质量的范围内(1%、5%)。ACO算法+ 20 pt,离散狮子群算法可以提高Eil51质量,KroA100,和D198问题,特别是KroA100问题,离散狮子群算法可以提高约10%的准确性。自动+ 20 pt算法,离散狮子群算法可以提高Ei151解精度0.5%,KroA100, D198问题。

4所示。结论

本文侧重于多因素进化算法(MFEA)和介绍HD-MFEA MEFA的改进版本。在这个过程中,MFEA的基本属性在多任务环境中。与此同时,整个算法进行了系统分析MFEA流动。此外,用于多任务优化基准问题的详细介绍。此外,对比MFEA和SOMA进行基准测试问题的评估他们的表现。因此,MFEA被发现无法有效地解决测试问题不同的子功能维度。为此,即。,for such dimensional multitask optimization problems, the improved version of MFEA was proposed. Finally, it was applied for the prediction problem of chaotic time series.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

(1)本研究支持的研究成果”李志强技能大师工作室”安徽省学校学习(项目没有。:2019dsgzs32) and (2) 2019 Linkage Report Research on Traditional Media and New Media under the Background of Media Integration on Humanities and Social Sciences in Anhui University (Project no.: SK2019A0966).