Cooperative Co-evolution with Differential Grouping for Large Scale Optimization

最新推荐文章于 2023-12-05 14:49:40 发布
最新推荐文章于 2023-12-05 14:49:40 发布
阅读量713 收藏 6
点赞数 1
分类专栏： 算法 文章标签： 算法
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/128259044
版权

0、论文背景

本文在CCVIL分解的基础上，提出了一种称为微分分组(DG)的自动分解策略，它可以揭示决策变量的潜在交互结构，使它们之间的相互依赖保持在最小。最后将DG分组策略应用于DECC与CBCC的框架中。

Omidvar M N, Li X, Mei Y, et al. Cooperative co-evolution with differential grouping for large scale optimization[J]. IEEE Transactions on evolutionary computation, 2013, 18(3): 378-393.

 1、DG

1.1 不可分离变量的差分定义公式

有关CCVIL，请参照博客：CCVIL。

如果一个函数具有以下一般形式，则它是部分相加可分离的：

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
  • 1
    点赞
  • 踩
  • 6
    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
A Sensitivity Analysis of Contribution-Based Cooperative Co-evolutionary Algorithms
qq_42148307的博客
12-14 165
本文在CBCC的基础上，通过分析现有的CBCC技术在更现实的情况下的性能，我们的深入分析表明，即使在这些情况下，CBCC算法也是传统CC技术的优越的替代品。
cec2010测试函数源码及文章
04-10
CEC2010,用于测试高维优化问题的测试函数集，有MATLAB，C,Java版本
Cooperative Co-evolution for Large Scale Optimization Through More frequent Random Grouping
qq_42148307的博客
11-26 223
本文是在MLCC的基础上改进而来的，提出了DECC_ML。本文证明了使用随机分组在一个子组件中分组交互变量的概率随着交互变量数量(每个子空间包含的变量维度)的增加而显著下降。这就要求更频繁地进行变量的随机分组。本文展示了如何增加随机分组的频率，而不增加适应度评估的数量。本文还表明，自适应加权是无效的，通过对目标函数的额外评估浪费了大量的CPU时间。最后，本文提出了一种新的动态调整分组大小的自适应技术。
合作协同进化算法概述（Cooperative Coevolution）
热门推荐
徐奕的专栏
10-15 1万+
合作协同进化（Cooperative Coevolution）是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。分解策略的分类:①随机分解：随机选择基因的顺序，但是用户要决定组的数量和组的大小。②扰动：使用若干方法扰动决策变量尝试对变量进行分组。③模型建构：基于个体数量s的概率模型，在进化过程中迭代更新。下面是CC算法不同的分解策略体现的论文:
CCLSM - 2018
future12356的博客
01-17 454
CCLSM 协同进化 大规模多目标优化算法
DG领域常见算法：Domain Alignment
最新发布
ShadyPi的IT笔记
12-05 1005
主要介绍Domain Generalization中的Domain Alignment方法
论文研究-Large-scale global optimization using cooperative coevolution with self-adaptive differential grouping.pdf
08-14
基于自适应微分分组的大规模全局优化问题求解，方伟，闵瑞高，合作协同演化(Cooperative co-evolution,CC)是一种基于分治策略的算法框架,它将待求解问题分为若干小的子问题后进行分别求解。CC是目前求解�
Boosting Cooperative Coevolution for Large Scale Optimization With a Fine-Grained Computation Resource Allocation Strategy
02-08
Boosting Cooperative Coevolution for Large Scale Optimization With a Fine-Grained Computation Resource Allocation Strategy
Cooperative TDD reciprocity calibration with diversity combining for distributed large-scale MIMO systems
01-20
Thanks to channel reciprocity, the time-division duplexing operation is typically used for distributed large-scale multiple-input multiple-output systems. With the knowledge of uplink channel state, ...
Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments
03-29
Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments
Cooperative Store-Carry-Forward Scheme for Intermittently Connected Vehicular Networks
02-07
Cooperative Store-Carry-Forward Scheme for Intermittently Connected Vehicular Networks
《A Survey on Evolutionary Computation for Complex Continuous Optimization》笔记
Sussurro的博客
04-12 713
进化计算算法已成功应用于多种全局优化问题，但近几十年来优化问题中的新困难也给进化计算算法带来了巨大的挑战。例如在大数据环境中，复杂优化问题就像许多其他大数据问题一样，总是存在所谓的4-V挑战，即Volume、Velocity、Variety和Value，它们分别指数据量、变化速度、数据范围和数据有效性。具体来说，这些复杂优化问题通常是大规模的、动态的、有许多局部/全局最优的、有约束条件的、多目标的，并且具有非常昂贵目标函数评估的。
多目标优化中大规模变量相关性分析
daijinlun的博客
04-29 1877
相互独立的两个变量可以分开优化，各自优化的结果不会相互影响，相互关联的变量因为他们之间的相关性，整体优化的结果与他们分开优化的结果不同，所以不能相互关联的变量不能分开进行优化，设有多目标优化问题,如果存在决策向量 x ,实数，至少一个目标函数，使得那么变量与相关。 ...
Smart Use of Computational Resources Based on Contribution for Cooperative Coevolutionary Algorithms
qq_42148307的博客
11-30 389
本文再DECC的基础上，提出了一种新的优化框架CBCC。在处理不可分离问题时，各种子成分对个体整体适应度的贡献之间通常存在不平衡。使用循环方式平等地对待所有的子组件，浪费计算预算。本文提出了一个基于贡献的合作协同进化(CBCC)，它基于它们对全局适应度的贡献来选择子组件。这减轻了不平衡的问题，并允许更有效地利用计算资源。
论文研读-基于决策变量聚类的大规模多目标优化进化算法
遗世独立的乌托邦
06-30 7482
论文研读-基于决策变量聚类的大规模多目标优化进化算法 A Decision Variable Clustering-Based Evolutionary Algorithm for Large-Scale Many-Objective Optimization 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 X. Zhang, Y. Tian, R. Cheng and Y. Jin, "A Decision Variable Clustering-Based Evolutionary Algori
CBCC3 – A CBCC Algorithm with Improved Exploration/Exploitation Balance
qq_42148307的博客
12-16 662
本文是在CBCC1和CBCC2的基础上提出了CBCC3。在本文中，证明了过度探索和过度开发是现有CBCC变体中性能损失的两个主要来源。在此基础上，提出了一种新的基于贡献的算法，可以在探索和开发之间保持更好的平衡。
合作协同进化算法CCEAs（Cooperative Co-Evolution Algorithm）
今朝相守观桑田的博客
06-17 1万+
** 合作协同进化算法CCEAs ** 1.概述         CCEAs（合作协同进化算法）是一个求解大规模优化问题的算法，该算法采取“分而治之”的策略。对于一个优化问题，依变量分解成若干组问题，分组优化，且各分组间进行合作协同，共同完成整个问题的优化。      ...
论文研读-基于决策变量分析的大规模多目标进化算法
遗世独立的乌托邦
07-02 7366
论文研读-基于决策变量分析的大规模多目标进化算法 Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 X. Ma et al., "A Multiobjective Evolutionary Algorithm Based o
基于相似性的动态区间多目标协同进化算法
qq_37179970的博客
01-18 1594
A Similarity-based Cooperative Co-evolutionary Algorithm for Dynamic Interval Multi-objective Optimization Problems 基于相似性的动态区间多目标协同进化算法 链接:
简单介绍一下The surprising effectiveness of ppo in cooperative multi-agent games
05-22
"The surprising effectiveness of PPO in cooperative multi-agent games" 是一篇研究论文，探讨了使用Proximal Policy Optimization (PPO)算法在协作多智能体游戏中的效果。该论文指出，传统的强化学习算法在处理协作多智能体场景时存在一些问题，如训练不稳定、收敛缓慢等。而PPO算法则通过引入一些优化技巧，如策略剪枝、值函数裁剪等，解决了这些问题，并在许多协作多智能体游戏中取得了非常好的效果。该论文的研究结果表明，PPO算法在协作多智能体场景下具有很高的可扩展性和泛化性，并且在实际应用中具有非常广泛的应用前景。
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