【报告内容】

汇报人：何世祺

汇报单位：太原理工大学

主题：《Similarity Feature Construction for Semantic Sensor Ontology Integration via Light Genetic Programming》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

传统的GP方法经常面临效率和可扩展性方面的问题，因为它们依赖于广泛的进化算子，包括交叉、变异等，这可能会导致复杂的计算过程。这些方法可能需要大量的计算资源和时间来收敛到最优解，特别是在涉及传感器本体匹配（SOM）等复杂数据结构的任务中。此外，潜在解决方案的搜索空间可能很大，这使得传统的GP难以有效地导航和识别最合适的特征构造（SF）组合。

2.相关创新方案

(1)设计了一种光进化机制来提高SOM结果的质量。该机制通过仅使用变异和选择算子简化了经典的GP，同时仍然确保了复杂组合优化问题的高质量解决方案。

(2)引入了一种新的适应度函数和两阶段锦标赛选择算子来增强SOM过程。为了在解决方案质量和计算效率之间取得平衡，新的适应度函数不仅考虑了精确度和召回率，还考虑了GP树的复杂性来评估解决方案的质量。

(3)L-GP的有效性通过其在十个真实SOM任务中的应用得到了验证。实验结果表明，L-GP可以在各种异构场景中始终如一地产生高质量的SOM结果。

3.实验总结

本文提出了一种新的L-GP来自动构建SOM的SF。与传统的GP不同，L-GP结合了一种轻进化机制以及一种新的适应度函数和两阶段选择算子。我们对七对真实世界SOM任务的实证研究有力地证明了L-GP在生成高质量SOM结果方面的卓越性能。进一步的研究揭示了L-GP的双重优势：适应度函数有效地校准了解的质量和计算效率，而两阶段选择算子明确地指导了算法的搜索方向。这些创新赋予L-GP在f度量和语法树大小方面超越其变体的鲁棒性。

4.未来工作

(1)探索创建适合各种本体结构的自适应适应度函数。

(2)将多目标优化整合到L-GP中，允许算法同时处理多个性能指标，如准确性、效率和复杂性。

(3)研究保持L-GP内种群多样性的先进技术。

(4)将L-GP发展成为一种适应性更强、响应更快、普遍适用于SOM的工具，能够整合和使用该领域的其他先进技术。

报告时间：2024年10月25日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)