BEIJING, 27. September 2023 – WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologramm-Augmented-Reality-(“AR”)-Technologien, kündigte heute an, dass ein adaptiver Lernalgorithmus mit Backtracking-Suche (ALBSA) vorgeschlagen wurde, der darauf abzielt, die Gesamtleistung von BSA zu verbessern, indem adaptive Steuerparameter und neuartige Mutationsstrategien eingeführt werden. Der adaptive Steuerparameter passt die individuelle Suchschrittweite basierend auf den globalen und lokalen Informationen des Clusters in der aktuellen Iteration an und balanciert so die Erkundungs- und Ausnutzungsfähigkeiten. Die neuartige Mutationsstrategie basiert auf unterschiedlicher Informationsführung, die den Mutationsvorgang basierend auf den globalen und lokalen Informationen des Schwarms leitet, um die Optimierungsfähigkeit des Algorithmus zu verbessern. Darüber hinaus verstärkt die Einführung mehrerer Schwarmestrategien die Anpassungsfähigkeit des Algorithmus an unterschiedliche Suchbereiche und die Suchfähigkeit.
WiMi verbesserte die BSA durch ALBSA, um sie wettbewerbsfähiger bei der Optimierung von Problemen zu machen. Das Ziel von ALBSA ist es, die Such effizienz und die Qualität der Lösung durch die Einführung von Anpassungsfähigkeit und Flexibilität sowie die umfassende Nutzung globaler und lokaler Informationen zu verbessern. Experimente haben gezeigt, dass ALBSA im Vergleich zum traditionellen BSA und anderen evolutionären Algorithmen eine bessere Leistung aufweist, was eine bessere Anwendbarkeit und Nützlichkeit bei realen Problemen ermöglicht.
ALBSA, das von WiMi vorgeschlagen wurde, hat gegenüber dem traditionellen BSA die folgenden Vorteile:
Anpassungsfähigkeit und Flexibilität: Es wurde ein adaptiver Steuerparameter auf der Grundlage der globalen und lokalen Informationen der Schwarme in der aktuellen Iteration entwickelt, um die Suchschrittweite der Individuen anzupassen. Dies ermöglicht es dem Algorithmus, Exploration und Ausnutzung besser auszubalancieren und sich an die Suchanforderungen unterschiedlicher Probleme anzupassen.
Leistungssteigerung: ALBSA führt eine neuartige Mutationsstrategie auf der Grundlage unterschiedlicher Informationsführung ein, die den Mutationsvorgang leitet, indem sie die globalen und lokalen Informationen des Schwarms umfassend nutzt. Dies verbessert die Optimierungsfähigkeit des Algorithmus und ermöglicht es ihm, den potenziellen Lösungsraum gezielter zu durchsuchen, wodurch sich die Qualität der Lösung und die Konvergenzgeschwindigkeit verbessern.
Mehrschwarmstrategie: ALBSA implementiert eine Mehrschwarmstrategie, d.h. es werden mehrere Schwarme gleichzeitig aufrechterhalten und jeder Schwarm kann unabhängig einen bestimmten Suchbereich durchsuchen. Dies verbessert die Fähigkeit des Algorithmus, unterschiedliche Suchbereiche zu durchsuchen, erkundet den Lösungsraum somit umfassender und erhöht die Wahrscheinlichkeit, eine global optimale Lösung zu finden.
Wettbewerbsfähigkeit und Effektivität: Experimentelle Ergebnisse zeigen, dass ALBSA bei der Lösung von Optimierungsproblemen im Vergleich zu traditionellem BSA und anderen Optimierungsalgorithmen wettbewerbsfähig und effektiv ist. Es ist in der Lage, Lösungen mit besserer Leistung, höherer Konvergenzgeschwindigkeit und Such effizienz zu finden.
Insgesamt verbessert ALBSA das traditionelle BSA, indem die Anpassungsfähigkeit, Optimierungsfähigkeit und Suchfähigkeit des Algorithmus durch die Einführung adaptiver Steuerparameter, neuartiger Mutationsstrategien und Mehrschwarmstrategien verbessert wird. Diese Vorteile machen ALBSA potenziell anwendbarer und effektiver bei der Lösung verschiedener Optimierungsprobleme.
WiMis ALBSA zielt darauf ab, die BSA zu optimieren. ALBSA optimiert die Suchschrittweite und Optimierungsfähigkeit durch das Design adaptiver Steuerparameter und neuartiger Mutationsstrategien und implementiert Mehrschwarmstrategien, um die Suchfähigkeit für unterschiedliche Suchbereiche zu verbessern. Der technische Rahmen von ALBSA ist wie folgt:
Initialisierung: Initialisierung der Population und Individuen und Festlegung der Anfangswerte der Steuerparameter. Festlegung anderer Parameter des Algorithmus, wie z.B. maximale Iterationsanzahl, Populationsgröße usw.
Schwarminformationen aktualisieren: In jeder Iteration werden globale Informationen über den Schwarm basierend auf der Fitness der aktuellen Population berechnet, z.B. durchschnittliche Fitness und optimale Fitness. Lokale Informationen des Schwarms werden basierend auf der Fitness der Individuen berechnet, z.B. die relative Fitness zwischen einem Individuum und seinen Nachbarn.
Adaptive Abstimmung der Steuerparameter: Adaptive Anpassung der Steuerparameter basierend auf globalen und lokalen Schwarminformationen in der aktuellen Iteration. Die Anpassung der Steuerparameter kann die individuelle Suchschrittweite verändern, um das Gleichgewicht zwischen Exploration und Ausnutzung des Algorithmus auszubalancieren.
Neue Mutationsstrategie: Entwerfen einer neuartigen Mutationsstrategie basierend auf unterschiedlicher Informationsführung, um die Optimierungsfähigkeit des Algorithmus zu verbessern. Die neuartige Mutationsstrategie kann Richtung und Ausmaß der Mutation basierend auf den globalen und lokalen Schwarminformationen in der aktuellen Iteration bestimmen.
Aktualisierung und Bewertung von Lösungen: Verwenden von Steuerparametern und Mutationsstrategien, um individuelle Lösungen zu aktualisieren. Die aktualisierten Lösungen werden ausgewertet und Fitnesswerte berechnet.
Prüfung der Abbruchbedingung: Prüfen, ob die Abbruchbedingung erfüllt ist, z. B. das Erreichen der maximalen Iterationsanzahl oder das Finden einer zufriedenstellenden Lösung. Wenn die Abbruchbedingung erfüllt ist, endet der Algorithmus, andernfalls wird mit Schritt 2 für die nächste Iterationsrunde fortgefahren.
ALBSA passt kontinuierlich die Steuerparameter und Mutationsstrategien an, um globale und lokale Informationen zu nutzen, um die Suche zu leiten und so die Gesamtleistung des Algorithmus zu verbessern. Mehrschwarmstrategien verstärken zusätzlich die Fähigkeit des Algorithmus, unterschiedliche Suchbereiche zu durchsuchen. Durch experimentelle Verifizierung ist ALBSA im Vergleich zu anderen evolutionären Algorithmen wettbewerbsfähig und effektiv, um bessere Lösungen zu finden.
WiMis ALBSA hat breite Marktchancen im Bereich der Optimierung von Problemlösungen. Zum Beispiel in der Logistik und im Transportwesen sind Probleme wie die Optimierung von Routenplanung, Fahrzeugplanung und Verteilungswegen entscheidend für die Verbesserung der Logistikeffizienz und die Senkung der Transportkosten. ALBSA kann auf diese Probleme angewendet werden, um optimale Pfadplanung und Ressourcenplanung bereitzustellen und so Logistik- und Transportnetzwerke zu optimieren. Im Bereich der Datenanalyse und des maschinellen Lernens hat ALBSA Potenzial für Merkmalsauswahl, Modellparameterabstimmung und Modelloptimierung. Mit dem rapiden Datenwachstum und der Zunahme komplexer Probleme werden effizientere Optimierungsalgorithmen benötigt, um die Leistung der Datenanalyse und maschinellen Lernmodelle zu verbessern. Der Industrie- und Fertigungssektor steht oft vor komplexen Optimierungsproblemen wie Produktionsplanung, Ressourcenzuweisung und Lieferkettenoptimierung usw. ALBSA kann effiziente und genaue Lösungen für diese Probleme liefern und Unternehmen helfen, die Produktivität zu steigern, Kosten zu senken und die Ressourcennutzung zu optimieren.
Darüber hinaus hat ALBSA als Optimierungsalgorithmus mit überlegener Leistung breite Marktchancen in mehreren Bereichen. Wie künstliche Intelligenz und intelligente Systeme, Finanzen und Investitionen, Energie und Umwelt, Gesundheitswesen, E-Commerce, Smart Cities usw., die alle Anwendungspotenzial haben. Es kann verschiedene Optimierungsprobleme lösen, bessere Entscheidungsunterstützung und Lösungen liefern und die Entwicklung und Effizienz verschiedener Branchen fördern.
WiMis ALBSA kann auf eine Vielzahl von Problemen angewendet werden, die eine Optimierung zur Lösungsfindung erfordern. Es ist flexibel und vielseitig einsetzbar und kann an spezifische Probleme angepasst und optimiert werden, um bessere Leistung und Ergebnisse zu erzielen. Mit zunehmender Komplexität der Probleme und Datenmengen wird die Nachfrage nach effizienten und genauen Optimierungsalgorithmen weiter zunehmen, und es wird erwartet, dass ALBSA zu einem wichtigen Werkzeug und Lösungsanbieter in diesen Bereichen wird.
Über WIMI Hologram Cloud
WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ist ein Anbieter von umfassenden technischen Lösungen für die professionelle Hologramm-Cloud, der sich auf professionelle Bereiche konzentriert, darunter holografische AR-Automobil-HUD-Software, 3D-Hologramm-Puls-LiDAR, Kopfmontierte Light-Field-Hologramm-Ausrüstung, holografische Halbleiter, holografische Cloud-Software, holografische Auto-Navigation und andere. Seine Dienstleistungen und holografischen AR-Technologien umfassen holografische AR-Automobilanwendungen, 3D-Hologramm-Puls-LiDAR-Technologie, holografische Vision Halbleitertechnologie, Entwicklung holografischer Software, holografische AR-Werbetechnologie, holografische AR-Unterhaltungstechnologie, holografische ARSDK-Zahlung, interaktive holografische Kommunikation und andere holografische AR-Technologien.