通过混合 IACO$_\mathbb{R}$ 基准测试 NLopt 与连续全局优化最先进算法
神经与进化计算
2017-05-02 v1
摘要
本文对用于连续优化的增量蚁群算法 () 与 NLopt 库中提供的不同算法的性能进行了比较分析。主要目标是了解 NLopt 库中的各种算法如何与多轨迹局部搜索 (Mtsls1) 技术结合表现。通过在局部搜索策略中引入一个参数，提出了一种混合方法，该参数允许在 Mtsls1 和 NLopt 算法之间进行概率选择。在发生停滞的情况下，算法切换基于前一次迭代中使用的算法。本文展示了这些方法在软计算 (SOCO) 和 2014 年进化计算大会 (CEC) 基准测试上的详尽性能比较。对于这两个基准测试，我们的结论是表现最佳的算法是用于局部搜索的 Mtsls1 与 BFGS 的混合变体。
引用
@article{arxiv.1503.03175,
title = {Benchmarking NLopt and state-of-art algorithms for Continuous Global Optimization via Hybrid IACO$_\mathbb{R}$},
author = {Udit Kumar and Sumit Soman and Jayadeva},
journal= {arXiv preprint arXiv:1503.03175},
year = {2017}
}
备注
24 pages, 10 figures