进化计算
文章平均质量分 92
Keeprunning_Yu
偶尔记录分享对学习对生活的感悟
展开
-
8.[论文分享] SWEVO 2022 基于无标度网络的差分进化求解光伏模型函数优化和参数估计
最近的一些研究表明,元启发式算法中的拓扑结构可以有效地增强种群之间的相互作用,从而提高它们的性能。受此启发,本文创造性地研究了在差分进化算法中使用无标度网络的有效性,并提出了一种基于无标度网的差分进化方法。本文的新颖之处包括一种基于无标度网络的种群结构和一种新的变异算子,该算子旨在充分利用无标度结构提供的邻域信息。最新一代的精英个人和群体都被用来指导全球优化过程。通过这种方式,所提出的算法具有平衡的探索和开发能力,以缓解过早收敛的缺点。对CEC’17基准函数集和光伏模型的参数估计进行了实验和统计分析。转载 2023-10-20 16:14:13 · 53 阅读 · 0 评论 -
7.[论文分享] NIPS 2023 蚁群神经组合优化
蚁群优化(ACO)是一种元启发式算法,已成功地应用于各种组合优化问题(COPs)。传统上,针对特定问题定制ACO需要专家设计。在本文中,我们提出了DeepACO,一个利用深度强化学习来自动化启发式设计的通用框架。DeepACO有助于加强现有ACO算法的启发式度量,并在未来的ACO应用中无需费力的手工设计。作为一种神经增强元启发式算法,使用单一神经模型和一组超参数的DeepACO在8个COPs上始终优于ACO。作为一种神经组合优化方法,DeepACO在规范路由问题上的表现优于或相当于先进的基线方法。转载 2023-10-13 15:45:03 · 484 阅读 · 0 评论 -
6.[论文解析] TEVC 2023 综述:多目标优化的存档
大多数多目标优化算法在其搜索期间显式或隐式地维护存档。这样的存档可以单独用于存储呈现给决策者的高质量解决方案,也可以在许多情况下参与搜索过程(例如,进化计算中的种群)。在过去的二十年里,在存档里,新的解决方案与以前的解决方案进行比较,并决定如何更新存档/种群的过程,这是进化多目标优化(EMO)的一个重要问题。这一点可以从社区不断努力开发各种有效的归档方法中得到证明,从传统的基于帕累托的方法到最近的基于指标和基于分解的方法。转载 2023-10-13 15:49:57 · 271 阅读 · 0 评论 -
5.[论文分享] TSMC 2021 动态选择偏好辅助约束多目标差分进化算法
解决有约束的多目标优化问题给进化算法带来了巨大的挑战,因为它同时需要在多个相互冲突的目标函数之间进行优化并满足各种约束。因此,如何调整目标函数和约束之间的权衡至关重要。在本文中,我们提出了一种动态选择偏好辅助约束多目标差分进化(DE)算法。在我们的方法中,每个个体的选择偏好随着进化过程适当地从目标函数切换到约束。具体来说,在不考虑任何约束的情况下,基于Pareto优势提取目标函数信息,通过探索可行区域和不可行区域来保持收敛性和多样性;而基于约束优势原则利用约束信息来提高可行性。转载 2023-10-13 15:42:34 · 55 阅读 · 0 评论 -
4.[成果分享] 一篇论文被Information Sciences录用
多模态优化问题(MMOPs)的目标是同时定位多个全局最优点,这对解的多样性要求很高。小生境作为一种为进化算法量身定制的多样性保护策略,已被广泛地应用于许多处理 MMOPs 的算法中。然而,许多现有的小生境技术需要预先定义参数来控制小生境的大小或数量,使得算法对参数非常敏感。以个体为节点,以两个个体的距离为边,以近代的历史信息为节点属性,构建种群作为网络,其目的是在不依赖敏感参数的情况下,通过社区检测来划分生态位。受这一思想的启发,本文提出了一种基于网络的多模态优化问题差分进化方法(NetCDEMMOPs)转载 2023-10-13 15:41:22 · 99 阅读 · 0 评论 -
3.[成果分享]一篇论文被Applied Soft Computing录用
多模态优化问题 (Multimodal optimization problems, MMOPs) 旨在在同时定位多个高精度的最优解。近年来,为了保持种群的多样性,许多小生境策略被用于进化算法以解决MMOPs。然而,大多数多模态算法对于小生境参数(例如小生境的大小/数量)敏感,并且缺乏有效的方法来更新“停滞个体”(陷入局部最优的个体或收敛到相同最优解的个体)。针对上述问题,本文提出了一种基于最小生成树和知识驱动策略的差分进化(TNDE)算法,其中“知识”包括历史进化信息、适应度分布信息和个体分布信息。转载 2023-10-13 15:37:35 · 147 阅读 · 0 评论 -
2.[论文解析] TSMC 2023 求解昂贵不等式约束优化问题的两阶段代理辅助差分进化算法
本文提出了一种高效的两阶段代理辅助DE来处理昂贵的不等式约束,将其命名为eToSA-DE。与大多数现有的 ECOP 的 SAEA 不同,eToSA-DE 仅针对约束违反程度训练一个代理来解决问题,从而仅提供约束违反情况。根据已知可行个体的数量,进化过程分为两个阶段。第一阶段,建立GP回归模型来搜索更多可行区域的信息。在第二阶段,构建SVM分类模型以进行鲁棒预测。为了适应更令人信服的可行性结构,设计了边界训练数据选择策略。它在可行的边界周围选择个体来训练代理人的约束。转载 2023-10-13 15:33:40 · 158 阅读 · 0 评论 -
1.[成果分享] 一篇论文被Applied Soft Computing录用
许多现实世界中的问题可以被认为是多模态优化问题(MMOP),这需要定位尽可能多的全局最优解,并尽可能提高所找到的最优解的精度。然而,现有的MMOP求解算法存在一些问题。例如,现有的大多数方法都采用贪婪选择策略来选择后代,这可能会导致一些个体陷入局部最优,而对这些局部最优的重复评估将耗尽许多适应度评估(FE)。此外,许多MMOP的评估往往很昂贵,在数量有限的FE中,合理分配评估资源以更好地处理MMOP是一个关键挑战。如何在整个进化过程中合理地分配FE,以及如何避免个体陷入局部最优是解决MMOP的两个关键问题。转载 2023-10-13 15:29:23 · 159 阅读 · 0 评论