代理模型辅助的协同进化用于大规模优化
神经与进化计算
2018-02-28 v1
摘要
已有研究表明，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制约，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，从而消耗大量计算资源。为缓解此问题，本研究提出一种新颖的代理模型辅助协同进化（SACC）框架。SACC 通过分解得到每个子问题并为其构建代理模型，用以评估相应的子解。原始仿真模型仅用于对代理模型筛选出的若干优质子解进行重新评估，而这些真实评估的子解又会反过来用于更新代理模型。借此，可在不显著牺牲评估质量的前提下大幅降低计算代价。为展示 SACC 的效率，本研究分别采用径向基函数（RBF）与基于成功历史的自适应差分进化（SHADE）作为代理模型与优化器。RBF 与 SHADE 已被证明在中小规模问题上有效。本研究首次在 SACC 框架下将其扩展至 1000 维的 LSOPs，并针对 LSOP 与 SACC 的特性进行了一定程度的定制。基于 IEEE CEC 2010 基准函数的实证研究表明，SACC 显著提升了子解评估效率，且即便计算资源大幅减少，所得的 RBF-SHADE-SACC 算法仍能找到远优于传统 CC 算法的解。
引用
@article{arxiv.1802.09746,
title = {Surrogate Model Assisted Cooperative Coevolution for Large Scale Optimization},
author = {Zhigang Ren and Bei Pang and Yongsheng Liang and An Chen and Yipeng Zhang},
journal= {arXiv preprint arXiv:1802.09746},
year = {2018}
}