Self-adaptive Differential Evolution Algorithm for Numerical Optimization

已于 2022-11-09 16:41:29 修改
阅读量1.3k 收藏 17
点赞数 6
分类专栏： 算法 文章标签： 算法
于 2022-11-08 16:07:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42148307/article/details/127739518
版权

0、论文背景

本文在DE算法的基础上，提出了一种自适应的差分进化算法(SaDE)。其中学习策略的选择和两个控制参数F和CR不需要预先指定。

Qin A K, Suganthan P N. Self-adaptive differential evolution algorithm for numerical optimization[C]//2005 IEEE congress on evolutionary computation. IEEE, 2005, 2: 1785-1791.

1、SaDE

DE算法相关知识参见博客：DE 。

1.1 learning strategy

这里主要针对突变操作采用了两个策略：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
身影王座
关注
  • 6
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
SaDE差分进化算法
12-05
讲述了一种改进的自适应的差分进化算法，适合研究进化算法的改进工作
SaDE自适应差分进化算法代码.rar
12-19
提供了自适应差分进化算法的代码，另包含测试函数集 %Reference: A. K. Qin, V. L. Huang, and P. N. Suganthan,“Differential evolution % algorithm with strategy adaptation for global numerical optimization,” % IEEE Trans. Evolut. Comput., vol. 13, no. 2, pp. 398–417, Apr. 2009. % % Note: We obtained the MATLAB source code from the authors, and did some % minor revisions in order to solve the 25 benchmark test functions, % however, the main body was not changed.
论文阅读——SADE:Self-Supervised Aggregation of Diverse Experts for Test-Agnostic Long-Tailed Recognition
weixin_46138354的博客
05-29 547
例如，用传统的softmax损失训练的模型模拟了长尾训练类分布，而从现有的长尾方法获得的模型擅长于均匀类分布。因此，学习到的专家比以前的多专家长尾方法更加多样化[49，63]，从而获得更好的集成性能，并总体上模拟了广泛的可能的类分布。为了应对这一挑战，我们实证研究了不同专家的性质，并观察到专业知识和预测稳定性之间存在正相关，即更强的专家在其有利类别的样本的不同扰动视图之间具有更高的预测一致性。（1）一种新的技能多样的专家学习策略，该策略从单一且稳定的长尾数据集中训练多个专家，以分别处理不同的类分布；
SaDE 算法matlab实现（自适应差分进化）
02-01
实现了自适应差分进化（SaDE）算法，其中的参数(CR,F)由种群自适应生成，提供了灵活的适宜度函数接口，可供实现复杂的优化问题求解。
matlab基于普通DE实现基本自适应差分进化算法(SaDE)
m0_73388815的博客
03-19 1228
初学SaDE，实现的第一篇代码。
2009年A. K. Qin等人发表的自适应差分进化算法代码SaDE
01-20
2009年A. K. Qin等人发表的自适应差分进化算法代码
Adaptive Differential Evolution
05-08
自适应差分演化算法，JADE，的书籍。原作者的博士毕业论文拓展而来。
论文研究-Self-adaptive Co-evolution differential evolution algorithm for optimal design of water distribution networks.pdf
08-16
协进化差分进化算法及其水分布网络优化设计应用，范勤勤，陈奎霖，为了进一步提高寻优性能，本文提出一种自适应协进化差分进化算法(Self-Adaptive Co-evolution Differential Evolution, SACDE)。在SACDE算法中，...
matlab代码粒子群算法-Self-Adaptive-Particle-Swarm-Optimization-for-Large-Scale
05-27
matlab代码粒子群算法分类中大型特征选择的自适应粒子群算法 分类的进化功能选择我们非常乐意与您共享相关的Matlab代码。 如果您根据此研究工作做进一步研究，请在您的论文中引用此研究作为参考，如下所示： ...
Multi-objective differential evolution with performance-metric-based self-adaptive mutation operator for chemical and biochemical dynamic optimization problems
02-08
Multi-objective differential evolution with performance-metric-based self-adaptive mutation operator for chemical and biochemical dynamic optimization problems
SaDE差分进化算法的程序
12-05
SaDE的源代码，帮助理解SaDE的那篇论文，自适应性的改进差分进化算法
adaptive differential evolution_自适应差分进化算法_
10-04
基于自适应差分进化算法寻找非线性系统方程的多个根
2009经典SaDE代码
12-30
2009(SaDE代码)Differential Evolution Algorithm With Strategy_Adaptation for Global Numerical Optimization论文对应代码
SaDE差分算法
12-12
差分进化算法，适合研究生学习使用，群智能算法的一种经典类型
A Self-adaptive Access Selection Algorithm for Cognitive Networks Based on Fuzzy Neural Networks
02-07
A Self-adaptive Access Selection Algorithm for Cognitive Networks Based on Fuzzy Neural Networks
Pattern-adaptive error diffusion algorithm for improved phase-only hologram generation
03-01
The bidirectional error diffusion (BERD) algorithm is free from random phase modulation that introduces speckle noise on the reconstructed images, compared with other computer-generated phase-only ...
进化算法复习：Self-adaptive Differential Evolution with Neighborhood Search（SaNSDE）
Nick Hwong's Blogs
04-11 1079
SaNSDE SaNSDE使用了两种机制，NS和Sa 首先介绍一下常用的变异策略 其中F为缩放因子，控制探索区域的范围，DE/rand/1中的1代表的是1个探索方向 NS NS的idea就是缩放因子F不要固定死，随机产生，公式为 fp在NS中为常数0.5，δ\deltaδ为t=1的T分布。实验证明NS有利于跳出局部最优 Sa Sa使用两种变异策略，并自适应变异缩放因子F和交叉率CR ...
基于关联规则挖掘的差分进化算法参数自适应策略论文
阿也的博客
01-14 1337
1.简介SaDE 自适应差分进化算法 (self-adaptive Differential Evolution)
差分进化算法简述
河里的草_increase
08-06 2914
差分进化算法（DE） 差分进化算法是1995年Raincr Stom和Kenneth Price为求解切比雪夫多项式(以递归方式定义的一系列正交多项式序列)提出的。 标准差分进化算法： 流程： 设置参数->初始化种群->计算种群的适度值->变异(判断取值范围)->交叉->(计算实验向量的适度值)选择；plot做二维图(代数和每代最优解)； 变异策略： 常用的5种，分别是ra...
Levi D. McClenny∗ Ulisses Braga-Neto写的Self-Adaptive Physics-Informed Neural Networks using a Soft Attention Mechanism中提到的最大化损失函数什么意思
最新发布
07-14
在《Self-Adaptive Physics-Informed Neural Networks using a Soft Attention Mechanism》一文中，Levi D. McClenny 和 Ulisses Braga-Neto 提到了最大化损失函数（maximization loss function）的概念。 最大化损失函数是一种优化目标，它旨在通过调整神经网络的参数来最大化某个指定的损失函数。通常情况下，我们会使用梯度下降等优化算法来最小化损失函数，但在某些特定情况下，最大化损失函数也可以用于达到我们的优化目标。 在该论文中，作者使用了自适应物理约束神经网络（Self-Adaptive Physics-Informed Neural Networks）来进行建模和预测。为了提高模型的性能，他们引入了软注意机制（Soft Attention Mechanism），并设计了一个最大化损失函数来训练模型。 具体来说，在该论文中，最大化损失函数被用于约束模型的输出结果，以使其尽可能地逼近物理约束条件。通过最大化损失函数，模型可以更好地满足物理规律，并提高预测的准确性和可靠性。 总而言之，最大化损失函数在该论文中是用于优化自适应物理约束神经网络，并通过调整模型参数来最大化指定的损失函数，以提高模型的性能和预测能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

身影王座

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值