A Classifier-Assisted Level-Based Learning Swarm Optimizer for Expensive Optimization 笔记

大体流程就是 LHS初始化-->LLSO-->GBDT-->L1 exploitation-->粒子选择算法-->LLSO .....

大体流程：LHS--LLSO--GBDT--L1--LLSO

 

 LLSO （PSO）的变种：

vj,i = r1 × vj,i + r2 × （xk1 − xj,i ） + φ × r3 × （xk2 − xj,i ）

xj,i = xj,i + vj,i

 

总体论文的创新在于：

1、LLSO+GBDT

2、L1 exploitation的提出

 

LLSO+GBDT的更新方法（4层为例子）：

4层：从1-3层随机选2个粒子，保证RL1粒子<RL2粒子，也就是 RL1粒子的适应度要大于RL2粒子的适应度，然后用这2个粒子的适应度更新。

3层：从1-2层随机选2个粒子，保证RL1粒子<RL2粒子，也就是 RL1粒子的适应度要大于RL2粒子的适应度，然后用这2个粒子的适应度更新。

2层：从1层随机选2个粒子，保证RL1粒子<RL2粒子，也就是 RL1粒子的适应度要大于RL2粒子的适应度，然后用这2个粒子的适应度更新。

1层不更新。

每一次更新完，要用GBDT预测，如果预测结果为0，也就是粒子更新到了第1层，就直接将粒子划到第一层。总体上说，就是不断的将粒子更新到0。

 

L1 exploitation的更新：

总体从代码上看，就像父母更新完后，子代继续更新，相当于做2次更新，但是子代的更新次数取决于父代更新的次数，父代更新越少，子代的迭代次数越多。