【报告内容】

2022.2.25 讨论课，时间：19:30，腾讯会议：981 3177 4321

汇报人：耿爱峰

单 位：太原理工大学

主 题：《Multimodal Multi-objective Evolutionary Optimization with Dual Clustering in Decision and Objective Spaces》

1. Motivation & Contributions

2. Related conceptions & Background

3. Method

4. Experiments & Conclusions

【报告总结】

1、本文提出的两种聚类算法是先在决策空间聚类然后再目标空间聚类吗？PPT第13页的图中x1的聚类点只有x2吗？ 

答：是的，先在决策空间之后在目标空间聚类。图中的x1的聚类点包括它所有邻域半径内的点。

2、本文所提出的方法可以运用到本体元匹配问题中吗？

答：该方法用于解决本体元匹配问题可能不太合适，计算复杂度高。

3、本文所提出的方法有哪些缺陷和不足呢？

答：本文方法的缺陷主要有以下几点，一是计算复杂度太高，二是邻域半径不好控制和确定。

4、PPT第20页的示意图(c)在目标空间中每次剔除多余解的时候，是从最拥挤的聚类中依次剔除吗？最后每个聚类只有一个解吗？

答：是的，最后只保留分布最好的解。每个聚类最终只有一个解。

5、第19页的算法5第17行P的解的个数大于N需要剔除聚类中的解，那么P中解的个数小于N呢？

答：第11~14行伪代码确保P解的个数大于N。

6、本文的聚类方法有什么可以改进的方向呢？

答：（1）DBSCAN算法不同于K-Means聚类算法，K-Means算法先确定几个点，再依据这些点聚类；而DBSCAN是以一个点为出发点，聚类其他的点。但是它也存在一些缺陷，首先是DBSCAN的邻域半径不易确定，可能存在最终将所有的点聚为一个聚类的情况，这就需要另外控制邻域半径的方法。

（2）其次，如果两个聚类是同心圆包含的关系，它们之间的聚类按照质心距离进行会出现问题，需要考虑一种新的聚类距离计算方法，在数值领域可以考虑一些其他的统计上的概念，在自然语言处理领域可以考虑点的语义信息如上下文关系或者相似度值。

（3）本文所提出的方法由于应用了两种聚类，时空复杂度会很高，可以考虑在程序上采用两个task交互的方法降低复杂度，一个task负责进化算法，另一个task负责聚类解。最后，可以将本文的方法于现有的工作相结合，将其运用到实际工程问题中。

报告时间：2022年02月25日19:30

腾讯会议ID：981 3177 4321

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)