基于岛屿的演化计算：多样化替代模型与自适应知识迁移用于高维数据驱动优化
机器学习
2025-12-10 v1 神经与进化计算
摘要
近年来，越来越多地关注数据驱动进化算法 (DDEAs) 采用替代模型来用有限数据近似目标函数。然而，当前的 DDEAs 主要针对低维问题设计，其在应用于大规模优化问题 (LSOPs) 时性能会显著下降。为解决这一挑战，本文提出了一种离线 DDEA，称为 DSKT-DDEA。DSKT-DDEA 利用多个岛屿利用不同数据建立多样化替代模型，促进多样化亚种群并缓解早熟收敛风险。在岛内优化阶段，设计了一个半监督学习方法来微调替代模型，它不仅促进数据增强，还将在搜索过程中收集的分布信息纳入，以将替代模型与演化局部景观对齐。随后，在岛间知识迁移阶段，算法采用自适应策略定期传输个体信息并评估在新环境中的迁移效果，从而促进全局优化效果。实验结果表明，我们的算法在最高达 1000 维度的问题上与最先进的 DDEAs 相当，同时展现出良好的并行性和可扩展性。我们的 DSKT-DDEA 已开源并可在 https://github.com/LabGong/DSKT-DDEA 访问。
引用
@article{arxiv.2503.12856,
title = {Island-Based Evolutionary Computation with Diverse Surrogates and Adaptive Knowledge Transfer for High-Dimensional Data-Driven Optimization},
author = {Xian-Rong Zhang and Yue-Jiao Gong and Zhiguang Cao and Jun Zhang},
journal= {arXiv preprint arXiv:2503.12856},
year = {2025}
}
备注
31 pages