基于全局信息自适应阈值的分组大规模全局优化问题方法
神经与进化计算
2018-03-02 v1
摘要
通过采用分而治之的思想，协同协同进化(CC)为大规模全局优化(LSGO)问题提供了强大的架构，但其效率高度依赖于分解策略。已有研究表明差分分组(DG)通过有效检测决策变量间的交互在分解LSGO问题上表现良好。然而，其分解精度高度依赖于阈值。为提高DG的分解精度，本文提出一种基于全局信息的自适应阈值设定算法(GIAT)。一方面，通过降低DG中指标对舍入误差与子分量贡献权重大小的敏感性，我们提出了对两变量交互敏感得多的新指标。另一方面，阈值不是仅基于一对变量设定，而是由所有变量对的交互信息生成。通过在两组LSGO基准函数上实验，验证了该新指标与GIAT的正确性与鲁棒性。
引用
@article{arxiv.1803.00152,
title = {A Global Information Based Adaptive Threshold for Grouping Large Scale Global Optimization Problems},
author = {An Chen and Yipeng Zhang and Zhigang Ren and Yongsheng Liang and Bei Pang},
journal= {arXiv preprint arXiv:1803.00152},
year = {2018}
}