A Sensitivity Analysis of Contribution-Based Cooperative Co-evolutionary Algorithms

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。