使用神经网络学习对立点

许多研究工作已成功利用“对立学习”(OBL) 扩展了进化算法、强化智能体和神经网络等算法。文献中定义了两类“对立点”，即 \textit{type-I} 和 \textit{type-II}。前者本质上是线性的，适用于变量空间，因此易于计算。另一方面，type-II 对立点在输出空间中捕捉“对立性”。事实上，type-I 对立点被视为 type-II 对立点在输入与输出呈线性关系时的特例。然而，在许多现实问题中，输入与输出实际上呈现非线性关系。因此，在捕捉输入-输出关系意义上的“对立性”方面，type-II 对立点预计表现更好。在缺乏关于当前问题任何先验知识的情况下，似乎没有直观的方法来计算 type-II 对立点。本文引入了一种方法，利用人工神经网络 (ANN) 从给定的输入及其输出中学习 type-II 对立点。我们首先对样本数据进行 \emph{对立挖掘}，然后使用挖掘出的数据来学习输入 $x$ 与其对立点 $\breve{x}$ 之间的关系。我们使用多个基准函数验证了我们的算法，并将其与最近引入的一种进化模糊推理方法进行了比较。结果表明，神经网络方法在学习对立点方面具有更好的性能。这将为在现有算法中集成对立方案创造新的可能性，有望提高收敛速度和/或准确率。