0、论文背景
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,即当分解误差不可避免,不平衡水平较低或中等时。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。
Kazimipour B, Omidvar M N, Li X, et al. A sensitivity analysis of contribution-based cooperative co-evolutionary algorithms[C]//2015 IEEE Congress on Evolutionary Computation (CEC). IEEE, 2015: 417-424.
1、 实验设置
有关CBCC,请参照博客:CBCC。
实验设置1:分解正确率。
首先我们将已分类正确的分到各个组,将所有未分类的变量分组为一个额外的组,我们称之为未标记组。为此,我们从所有组件中均匀地随机选择一个百分比的变量,并将它们聚合到未标记的组中。结果组件包含来自所有其他组的变量。因此,这个组与所有其他组件都有很强的相互作用。
实验设置2:不平衡水平。
通过以下等式,来使得每个子空间之间处于不平衡的状态。