计算智能方法研究及其应用

20201022

信息传输、软件和信息技术服务业

基础理论

论文

不转让

智能型垃圾电子邮件实时连续检测系统研究

国家科技计划

独立研究

计算智能是涵盖人工智能各前沿领域的重要学科，其发展在当下对理论研究和社会经济进步有极为重要的意义。本项目研究计算智能领域的多个重要技术，包括：烟花算法、群体机器人、人工免疫算法，以及基于神经网络技术的自然语言处理方法。项目旨在从群体智能优化理论出发，探索计算智能各领域的发展。 烟花算法是一种新型群体智能优化算法框架，具有灵活、高效、高度并行等优势。作为解决黑箱优化问题的群体优化框架，烟花算法的深入研究对于群体协同理论的发展和各类优化应用有着重大意义。但烟花算法发展至今仍相比传统方法仍具有一定缺点，包括局部搜索效率的提升和全局协同方法的设计两大关键科学问题。本项目基于烟花算法框架，针对局部搜索问题，提出了群体的信息利用率分析技术，并依此设计了高效的导向变异算子，极大改进了局部搜索的效率；针对全局协同问题，提出了败者退出锦标赛机制，通过局部竞争避免了劣质烟花对资源的浪费，显著提升了烟花算法的全局搜索能力。通过项目研究，新型烟花算法在标准测试函数上显著优于大部分其他算法，在国际上掀起了烟花算法研究的热潮，并在众多研究与工业领域得到了应用。 群体机器人是计算智能的重要领域之一，群体机器人是一个相对新兴的领域，启发自社会性生物群体的自组织行为，主要关注如何设计大量实物智能体，通过智能体之间、智能体与环境之间的局部交互涌现出复杂的智能行为。在此背景下，本项目主要就大空间下群体机器人多目标搜索的任务进行了深入的研究，在群体机器人任务中引入“三角梯度估计”和“自适应势场函数调节”，极大提升了群体机器人在多目标搜索和自适应部署任务中的表现。 垃圾邮件检测是一项具有重大实用价值的任务。但是传统的垃圾邮件检测方法具有检测准确率低、泛化性能差等缺点。生物的免疫系统作为一种优秀的防御系统，为我们解决这些问题提供了重要的启发。本项目基于免疫系统中抗体浓度变化机制的启发，提出了免疫抗体浓度特征构建以及局部浓度特征构建方法，显著提升了垃圾邮件检测的检测率与泛化性能，到达了国际领先的水平。 文本分类和文本生成是自然语言处理领域的基本任务。基于深度学习的监督学习算法依赖大量的有标签文本数据，然而有标签的文本数据是非常稀缺的。文本数据的标注成本较高，难以获得大量标注数据。这要求我们能从大量的无标注数据中挖掘信息，生成知识，提高模型性能。本项目以群体智能方法为思路，提出了自然语言处理领域中文本分类和知识生成的新方法，极大提升了相关任务中的效率。 本项目共发表学术论文200余篇，总他引超过2000次，5篇代表作SCI他引XX次，Google Scholar引用XX次。其中包括发表于神经网络、进化计算、数据挖掘、信息安全领域国际顶级期刊IEEE TRANSACTIONS ON CYBERNETICS (TCYB, IF=8.803)、IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTERM（TNNLS, IF=7.982）、IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION(TEC，IF=8.124)、IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING（TKDE，IF=2.775）、IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY（TIFS，IF=5.824）、SOFT COMPUTING（IF=2.367）、NEUROCOMPUTING（IF=3.241）、SCIENCE CHINA-INFORMATION SCIENCES（IF=2.188）等论文20余篇；此外，出版学术专著8部、译著2 部。 项目的研究成果促进了计算智能领域的发展，为计算智能的理论和应用研究提供了有效路径，具有广阔的应用前景和重要的科学意义。 。