一种面向通用大规模全局优化问题的代理辅助变量分组算法
神经与进化计算
2021-01-20 v1
摘要
在将协同协同进化（CC）应用于大规模全局优化问题时，问题分解起着至关重要的作用。然而，大多数基于学习的分解算法要么仅适用于可加可分问题，要么面临虚假可分性检测的问题。针对这些局限，本研究提出一种称为代理辅助变量分组（SVG）的新分解算法。SVG 根据变量的优化值是否随其他变量变化，设计了一个面向一般可分的检测准则。该准则与可分性定义一致，从而赋予 SVG 广泛的适用性与高准确性。为降低适应度评估需求，SVG 借助代理模型而非原始昂贵的高维模型来寻求变量的最优值。此外，它将变量分组过程转化为动态二叉树搜索过程，有助于复用历史可分性检测信息从而减少检测次数。为评估 SVG 性能，设计了一套维度高达 2000 的基准函数，包含可加与不可加可分函数。在这些函数上的实验结果表明，与六种最优分解算法相比，SVG 具有更广泛的适用性与有竞争力的效率。此外，它能显著提升 CC 的优化性能。
引用
@article{arxiv.2101.07430,
title = {A Surrogate-Assisted Variable Grouping Algorithm for General Large Scale Global Optimization Problems},
author = {An Chen and Zhigang Ren and Muyi Wang and Yongsheng Liang and Hanqing Liu and Wenhao Du},
journal= {arXiv preprint arXiv:2101.07430},
year = {2021}
}