Model-based evolutionary algorithms: a short survey 阅读笔记

WOF-MMOPSO-RDG-2020 阅读笔记

A random dynamic grouping based weight optimization framework for large-scale multi-objective optimization problems Liu R , Liu J , Li Y , et al. A random dynamic grouping based weight optimization framework for large-scale multi-objective optimization

论文研读-基于决策变量聚类的大规模多目标优化进化算法

论文研读-基于决策变量聚类的大规模多目标优化进化算法 A Decision Variable Clustering-Based Evolutionary Algorithm for Large-Scale Many-Objective Optimization 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 X. Zhang, Y. Tian, R. Cheng and Y. Jin, "A Decision Variable Clustering-Based Evolutionary Algori

CCGDE3 - 2013

协同进化解决大规模多目标优化问题 CCGDE3

论文阅读笔记：A Short Survey on Taxonomy Learning from Text Corpora: Issues, Resources and Recent Advances

介绍了基于文本语料库的分类法学习的一个调研

MOEA/D-RDG 2016 阅读笔记

MOEA/D-RDG A Random-Based Dynamic Grouping Strategy for Large Scale Multi-objective Optimization A. Song, Q. Yang, W. N. Chen, and J. Zhang, “A random-based dynamic grouping strategy for large scale multi-objective optimization,” in IEEE Congress on Evolu

LSMOF/D阅读笔记

Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation L. Li, C. He, R. Cheng and L. Pan, “Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation,” 2021 IEEE Congress on Evolutionary Computation

iLSMOA-2020 - 阅读笔记

Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization C. He, R. Cheng, Y. Tian and X. Zhang, “Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization,” 2020 IEEE Congress on Evolutionary Co

Fast Interdependency Identification (FII) - 2017

快速相互依赖识别算法 FII

iWOF阅读笔记

An Improved Weighted Optimization-based Framework for Large-scale MOPs J. Zheng, L. Li, Q. Lin and Z. Ming, “An Improved Weighted Optimization-based Framework for Large-scale MOPs,” 2021 IEEE Congress on Evolutionary Computation (CEC), 2021, pp. 2156-21

SSVG-2020-阅读笔记

A Symmetric Points Search and Variable Grouping Method for Large-scale Multi-objective Optimization Tang D , Wang Y , Wu X , et al. A Symmetric Points Search and Variable Grouping Method for Large-scale Multi-objective Optimization[C]// 2020 IEEE Congre

E-CSO-2021-阅读笔记

An Efficient Competitive Swarm Optimizer for Solving Large-Scale Multi-objective Optimization Problems Li Y., Li L., Lin Q., Ming Z. (2021) An Efficient Competitive Swarm Optimizer for Solving Large-Scale Multi-objective Optimization Problems. In: Huang

CCLSM - 2018

CCLSM 协同进化 大规模多目标优化算法

人工智能、机器学习和深度学习到底是什么关系？

人工智能（AI）、机器学习（ML）和深度学习（DL）是三个层级嵌套的概念：DL⊂ML⊂AI。AI是最广泛的研究领域，关注机器完成智能任务的能力；ML是实现AI的一类方法，通过数据训练模型；DL则是ML的一个分支，使用多层神经网络自动学习特征表示。 具体区别体现在： AI包含规则系统和数据驱动方法，ML专注于从数据中学习规律 传统ML依赖人工特征工程，DL能自动提取多层次特征 DL在图像/语音/文本等非结构化数据上表现突出，但需要更多数据和算力 项目选择应基于任务特性：规则明确用编程，结构化小数据用传统ML（

（论文速读）C-GAN-VAE：行星变速箱少发细粒度跨域故障诊断的因果生成式对抗性变分自动编码器

C-GAN-VAE框架，用于解决行星齿轮箱少样本、细粒度、跨域故障诊断难题。通过整合变分自编码器、条件生成对抗网络和因果Q网络，该方法在单阶段训练中同时优化重建、对抗、预测和因果解耦四项损失函数。实验表明，在SQI和CWRU数据集上，C-GAN-VAE较现有方法在1-shot和5-shot任务中准确率提升2-7%，特别是在跨机器诊断场景中展现出显著优势。该研究通过因果解耦与生成增强的协同作用，为工业故障诊断提供了可解释性强、泛化能力好的新范式。

AI机器学习完整包：核心技术与系统学习方法

作为一名刚开始接触AI机器学习的开发者，你是否也曾被复杂的算法和概念搞得头昏脑胀？别担心，这篇文章将为你梳理AI的核心概念和技术发展，让你轻松入门。从最初的图灵测试到现代的深度学习，AI经历了三次重大浪潮。第二次浪潮引入机器学习，让机器从数据中学习；第三次浪潮则通过深度学习实现了真正的突破，让机器能够自动提取特征并完成复杂任务。机器学习是AI的核心，主要分为三种范式： 1. 监督学习：需要标注数据，擅长分类和回归任务，如图像识别和房价预测。2. 无监督学习：无需标注，擅长发现数据中的隐藏模式。

深度学习到底是什么？它和机器学习有什么区别？

你有没有想过，为什么现在解锁手机只要看一眼、翻译外语拍张照就能出结果、下棋甚至能赢过世界冠军？ 这些事情听起来像科幻，但背后靠的是同一个技术——深度学习。

AI机器学习资源包：学习曲线与核心知识点

AI机器学习的学习曲线看似陡峭，但只要掌握核心概念，入门其实没那么难。今天分享一份学习包，涵盖从基础到进阶的核心知识点。AI的核心目标是让机器表现出智能行为。从最初的图灵测试到现代的深度学习，AI经历了三次重大浪潮。第二次浪潮引入机器学习，让机器从数据中学习；第三次浪潮则通过深度学习实现了真正的突破，让机器能够自动提取特征并完成复杂任务。机器学习是AI的核心，主要分为三种范式： 1. 监督学习：需要标注数据，擅长分类和回归任务，如图像识别和房价预测。2. 无监督学习：无需标注，擅长发现数据中的隐藏模式。