论文阅读-Fast interdependency identification for large scale optimization(FLL)-大规模变量优化问题

协同协同进化（CC）为大规模全局优化（LSGO）提供了一种强大的分而治之的体系结构。然而，它的性能在很大程度上依赖于退役状态。为了进行接近最优的分解，大多数开发的分解策略要么无法获得正确的相关性信息，要么在识别中需要大量的适应度评估（FE）。为了缓解先前工作中的局限性，该文提出了一种用于LSGO中CC的快速相关性识别（FII）算法。

该算法首先有效地识别了可分离变量和不可分离变量。然后，进一步研究了不可分离变量的相关性信息。

为了对CC进行接近最优的分解，我们的算法避免了获得不可分离变量的完全相关性信息的必要性。因此，可以节省大量的适应性评估。已经对两套LSGO基准函数进行了广泛的实验，这些函数具有多达20 0 0个变量。与三种最先进的算法相比，FII用更少的FE正确地识别了大多数基准函数的相互依赖性信息。此外，与CC相结合，再加上作为优化器的差分进化变体，FII在LSGO中表现出了良好的性能。

理论定义变量相互依赖的信息：

因此，通过（perturbation method、也称摄动法）研究变量的差值，就可以得到问题的变量相互依赖信息：

 第一个流程：

分离不可变量：

最后的算法流程伪代码

这个分解方法可以作为大多数进化算法的基石了...

代码复现再说....