基于在线搜索历史辅助重启策略的协方差矩阵自适应进化策略
神经与进化计算
2020-04-28 v1
摘要
重启策略有助于协方差矩阵自适应进化策略(CMA-ES)提高在优化中找到全局最优解的概率，而单次运行的 CMA-ES 容易陷入局部最优。本文中，连续非重访遗传算法(cNrGA)被用于帮助 CMA-ES 从搜索空间的不同子区域实现多次重启。我们提出了具有在线搜索历史辅助重启策略的 CMA-ES（HR-CMA-ES）。cNrGA 的整个在线搜索历史存储于二叉空间分割(BSP)树中，该树可有效执行局部搜索。频繁被采样的子区域由 BSP 树中的深层位置反映。当叶节点深度超过阈值时，相应子区域被视为感兴趣区域(ROI)。在 HR-CMA-ES 中，cNrGA 负责全局探索并为 CMA-ES 建议 ROI 以在 ROI 内部或周边进行开发。CMA-ES 在每个被建议的 ROI 中独立重启。cNrGA 的非重访机制避免再次建议同一 ROI。在 CEC 2013 和 2017 基准测试套件上的实验结果表明，HR-CMA-ES 优于 CMA-ES 和 cNrGA。两种算法的模因协作观察到正向协同效应。
引用
@article{arxiv.1903.09085,
title = {On-line Search History-assisted Restart Strategy for Covariance Matrix Adaptation Evolution Strategy},
author = {Yang Lou and Shiu Yin Yuen and Guanrong Chen and Xin Zhang},
journal= {arXiv preprint arXiv:1903.09085},
year = {2020}
}
备注
8 pages, 9 figures