求解变量重叠型大尺度优化问题的相关性学习协同演化策略

wiwiwisju

摘要:协同演化是解决大尺度连续优化问题的一种有效策略.但是,对于决策变量重叠型(决策变量不可分且相互依赖)的高维问题,其分组方法可能会误导算法的搜索.针对这一情况,本文提出一种全新的协同演化策略( Differential Evolution Cooperative Coevolution with Correlation Learning Between Variables , DECC-CLV) ,其思想是首先计算演化种群分布所包含的主特征轴,然后计算各维决策变量在主轴上的投影值并利用它们之间的正负相关性进行分组.该算法在迭代过程中,利用期望最大化算法对种群进行概率主成分分析,并根据决策变量在当前种群主轴上的投影值大小关系对其进行动态分组.通过和目前主流的演化算法在CEC2013的第三类函数上的仿真试验和分析,验证了算法的有效性和适用性.




关键词:大尺度优化问题;相关性决策变量;协同演化;大尺度优化问题分解
: |) r: A5 x* j' A


) G( h8 s1 q* D9 v0 l% S' q8 [8 v7 q# p       现实世界中遇到的很多实际问题,都可以建模成大尺度优化问题( Large Scale Global Optimizations，LS-GOs).在这类优化问题中,决策变量重叠型大尺度优化问题是比较难解决的一类问题,由于互相重叠的决策变量之间有正相关和负相关影响,使得在求解的过程中并没有唯一最优的决策变量分组方法.


1 c! u# c! D) }) {# n" v# @

游客，如果您要查看本帖隐藏内容请回复

% B2 Q" [3 d* ]' ^

. _1 [( k. T2 L. ?6 a1 l

% T9 k2 y1 t; ]; g+ E' V

modengxian111

协同演化是解决大尺度连续优化问题的一种有效策略