数值优化中用于差分进化的一种快速高效随机对立学习
神经与进化计算
2020-05-27 v2
摘要
本文提出一种快速高效的随机对立学习（OBL）变体。OBL 是一种加速软计算算法收敛的机器学习概念，其核心是同时计算一个原始解及其对立解。最近提出的一种随机 OBL 变体 BetaCOBL，能够控制对立解的程度，保留原始解中的有用信息，并避免适应度评估的浪费。尽管与多种最先进的 OBL 变体相比，BetaCOBL 表现出卓越的性能，但其高昂的计算成本可能阻碍其在成本敏感型优化问题中的应用。同时，由于 BetaCOBL 假设给定问题的决策变量相互独立，它在优化不可分问题时可能效果不佳。本文提出一种改进的 BetaCOBL，以缓解所有这些局限性。所提出的算法称为 iBetaCOBL，通过使用线性时间多样性度量，将计算成本从 降至 （ 和 分别代表种群规模和维度）。此外，该算法利用多重指数交叉保留彼此相邻的强依赖变量。我们使用差分进化（DE）变体来评估所提算法的性能。在 58 个测试函数集上的性能评估结果表明，与包括 BetaCOBL 在内的十种最先进的 OBL 变体相比，iBetaCOBL 表现出色。
引用
@article{arxiv.1908.08011,
title = {A Fast and Efficient Stochastic Opposition-Based Learning for Differential Evolution in Numerical Optimization},
author = {Tae Jong Choi and Julian Togelius and Yun-Gyung Cheong},
journal= {arXiv preprint arXiv:1908.08011},
year = {2020}
}