通过自适应构建代理模型增强大规模优化的协同协同进化
神经与进化计算
2018-03-05 v1
摘要
已有研究表明，协同协同进化（CC）可通过分而治之策略有效处理大规模优化问题（LSOPs）。然而，其性能受到当前基于上下文向量的子解评估方法的严重限制，因为该方法在评估每个子解时需要访问原始高维仿真模型，从而需要大量计算资源。为缓解此问题，本研究提出一种自适应代理模型辅助的 CC 框架。该框架通过充分考虑不同子问题的特征，为其自适应构建代理模型。对于通过分解得到的单维子问题，可获得足够精确的代理模型，并直接用于找出相应子问题的最优解。至于不可分离子问题，代理模型用于评估相应的子解，而原始仿真模型仅用于对代理模型筛选出的若干优良子解进行重新评估。通过这些手段，可在不显著牺牲评估质量的前提下大幅降低计算代价。在 IEEE CEC 2010 基准函数上的实证研究表明，基于该框架的具体算法即使以少得多的计算资源，也能找到比传统 CC 算法及一种非 CC 算法好得多的解。
引用
@article{arxiv.1803.00906,
title = {Enhancing Cooperative Coevolution for Large Scale Optimization by Adaptively Constructing Surrogate Models},
author = {Bei Pang and Zhigang Ren and Yongsheng Liang and An Chen},
journal= {arXiv preprint arXiv:1803.00906},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1802.09746