|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
; \5 y- q' k) E [ J3 G1 J! B
合作协同进化（Cooperative Coevolution）是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。- i6 F/ {' x M6 e2 q! g
! `" G, M! c$ c) x4 Y! J
. D6 f2 D# ]: Z6 r分解策略的分类:' K% p5 O9 T9 _8 C
" u/ s" G2 i* |) V8 f, V( C①随机分解：随机选择基因的顺序，但是用户要决定组的数量和组的大小。7 C0 j0 K% @6 D
1 \5 U/ O1 _1 J4 ]$ x" o4 y
②扰动：使用若干方法扰动决策变量尝试对变量进行分组。2 l$ p' e, x! ~: H3 |: u
- f/ F9 u5 B, B
③模型建构：基于个体数量s的概率模型，在进化过程中迭代更新。
3 Z# I. E, ~. \$ u/ y% O* ~3 v' i, z- l. C; X/ M2 P& e' U
) h( B* ]. ^7 u+ v- A1 k
' M9 f w9 }+ m: I6 Z: n下面是CC算法不同的分解策略体现的论文:) @7 ]# Z, _" W! I9 }; {& ^
1 `% V8 g# `* G6 E* Z5 YLiu, X. Yao, Q. Zhao, and T. Higuchi, “Scaling up fast evolutionary u: L" d2 Q5 t
programming with cooperative coevolution,” in Proc. IEEE Congr. Evol.$ D a8 Z3 K+ I4 K+ m
Comput., 2001, pp. 1101–1108.（这是第一次解决1000维的基准问题采用的合作协同进化算法）
6 E$ V1 O- J, Z/ P, D$ P U" `van den Bergh and A. P. Engelbrecht, “A cooperative approach to
2 e; Z$ q! x! r( tparticle swARM optimization,” IEEE Trans. Evol. Comput., vol. 8, no. 3,225–239, Jun. 2004.（这是第一个应用到PSO算法，将一个n维问题分成k-s维问题，没有在大规模的问题上测试过）
+ b1 G: o$ k" X+ @- ?* {( H, w* ~ U% y+ ?
9 z i) L3 s |- x0 z5 W% j0 Z
3 }8 b+ j8 b) M* o0 l# }7 j- OShi, H. Teng, and Z. Li, “Cooperative co-evolutionary differential! t4 j2 P; d! o/ K2 T* f
evolution for function optimization,” in Proc. Int. Conf. Natural Comput.,9 i# Y& F* V2 x8 r
2005, pp. 1080–1088.（应用在差分进化算法中，决策变量被分成两个同样大小的子成分，不适合高维）% v& ]" I* N7 C2 D3 Z
Yang, K. Tang, and X. Yao, “Large scale evolutionary optimization
( {9 f7 m6 D* _; Z) yusing cooperative coevolution,” Inf. Sci., vol. 178, pp. 2986–2999,$ _2 P% s) \$ l- Z4 F7 K- B
Aug. 2008.（将问题分成k-s维问题，使用随机分组，在1000维上取得了很好的效果）
' r+ T7 y* { c
9 I& s t9 `0 ~3 m, h# {) l+ P5 EN. Omidvar, X. Li, Z. Yang, and X. Yao, “Cooperative coevolution! c g( z; l6 I7 i* O: f$ r- u
for large scale optimization through more frequent random2 S3 Y. f& M& K9 J7 e2 ]
grouping,” in Proc. IEEE Congr. Evol. Comput., Jul. 2010,1754–1761.（修正的CPSO随机分组方案，达到2000维）. @6 g& d$ ~' |
/ c+ t7 L% \( c" Y) } B5 }) Q
1 |/ _0 `; A, |$ r' q. A
2 y0 F- |% Z2 P+ d( E' c" FN. Omidvar, X. Li, and X. Yao, “Cooperative co-evolution with delta
, e& k0 h5 G1 O0 P2 Agrouping for large scale non-separable function optimization,” in Proc./ D8 ^5 A) z) R9 ]! P! I
IEEE Congr. Evol. Comput., Jul. 2010, pp. 1762–1769.（增量分组策略，当目标函数存在不可分子成分时性能低）
8 j7 ]1 C% A4 o+ w/ R( G0 w2 h5 d+ s
% }+ T' k" w' M, l+ Q
% T& @; I8 {1 g. { E9 xYang, K. Tang, and X. Yao, “Multilevel cooperative coevolution
$ ~1 ~* U& I# T% Jfor large scale optimization,” in Proc. IEEE Congr. Evol. Comput.,) i6 C$ W4 ]! G8 @+ p/ R
Jun. 2008, pp. 1663–1670.（MLCC算法，一组不同s的值（子成分的大小）提供给算法，缺点较多）, x0 u( S" U4 f8 A& i
8 Y w* ^& |! |8 Q6 _: k
% u- u# B9 O e% m
! u0 x1 u* P9 V$ t另外用CC算法做大规模优化的论文数量有不少。因此要应用CC算法，关键在分解策略提出。 |
|
/1 
发表于 2020-10-26 13:40
收藏
淘帖
支持！
反对！