不同智能优化算法如何进行性能分析比较?

 

不同智能优化算法如何进行性能分析比较?

 

智能优化算法一类随机优化算法,算法每次执行结果略有差异, 该类算法通常通过模仿现实生活中的某种行为机制的方式而被提出,不同种类的算法优化机理不同,即使同一算法及其改进算法在搜索机理上也往往存在很大差别。对于搜索性能稳定的算法这种差异相对较小,而对于搜索性能波动较大的算法每次执行结果差异较为明显。如何衡量算法间的优劣呢?为此,学术界提出了多种不同的算法性能评价基准,其中较为典型的就是国际进化计算会议提出的CEC系列基准测试函数,通过重复测试算法寻找函数全局最优值的相关数据统计值实现对算法的性能评估。当前主要的数据统计指标包括:均值,方差,最大值,最小值,中位数值。

在算法实验测试过程中,我们首先假定待评估的算法为A,算法评估测试函数选定为F1,F2,…,F10。

 

首先,对于测试函数F1,算法A重复运行R轮,每一轮循环迭代次数为T,在每轮迭代过程中记录每一代搜索到的全局最优适应度数值,并记录为bf1,bf2,…,bf_t.那么本次迭代过程中全局最优适应度数值等于最后的bf_t(因为搜索迭代的过程就是逐步逼近最优的过程,长江后浪推前浪,一代总比一代强~)。如下图

 

 

然后,继续重复测试得到类似的数据。同理,对于算法B,记录与算法A相同的数据。基于上述数据我们就可以得到R轮测试中的各种统计指标,其中包括最佳适应度数值的均值mean,标准方差std,最大值Max,最小值Min,绘制各算法的收敛曲线Convergence curve,绘制算法的统计箱图Boxplot(直截了当看出两种或多种算法在某函数上搜索的性能高低)。根据统计数值结果如何判断算法A和算法B的优劣呢?这就需要通过统计的方法进行分析,通过假设检验的方法判断在某个函数上,算法A的搜索性能优于B具有显著性或算法A搜索性能次于B具有显著性,或者A和B搜索性能相当在统计学意义上具有显著性。假设检验的方法有很多(无参的检验,有参的检验),其中较为典型的统计检验方法包括:t检验方法,wilcoxn秩和检验方法。

 

 

展开阅读全文

Git 实用技巧

11-24
这几年越来越多的开发团队使用了Git,掌握Git的使用已经越来越重要,已经是一个开发者必备的一项技能;但很多人在刚开始学习Git的时候会遇到很多疑问,比如之前使用过SVN的开发者想不通Git提交代码为什么需要先commit然后再去push,而不是一条命令一次性搞定; 更多的开发者对Git已经入门,不过在遇到一些代码冲突、需要恢复Git代码时候就不知所措,这个时候哪些对 Git掌握得比较好的少数人,就像团队中的神一样,在队友遇到 Git 相关的问题的时候用各种流利的操作来帮助队友于水火。 我去年刚加入新团队,发现一些同事对Git的常规操作没太大问题,但对Git的理解还是比较生疏,比如说分支和分支之间的关联关系、合并代码时候的冲突解决、提交代码前未拉取新代码导致冲突问题的处理等,我在协助处理这些问题的时候也记录各种问题的解决办法,希望整理后通过教程帮助到更多对Git操作进阶的开发者。 本期教程学习方法分为“掌握基础——稳步进阶——熟悉协作”三个层次。从掌握基础的 Git的推送和拉取开始,以案例进行演示,分析每一个步骤的操作方式和原理,从理解Git 工具的操作到学会代码存储结构、演示不同场景下Git遇到问题的不同处理方案。循序渐进让同学们掌握Git工具在团队协作中的整体协作流程。 在教程中会通过大量案例进行分析,案例会模拟在工作中遇到的问题,从最基础的代码提交和拉取、代码冲突解决、代码仓库的数据维护、Git服务端搭建等。为了让同学们容易理解,对Git简单易懂,文章中详细记录了详细的操作步骤,提供大量演示截图和解析。在教程的最后部分,会从提升团队整体效率的角度对Git工具进行讲解,包括规范操作、Gitlab的搭建、钩子事件的应用等。 为了让同学们可以利用碎片化时间来灵活学习,在教程文章中大程度降低了上下文的依赖,让大家可以在工作之余进行学习与实战,并同时掌握里面涉及的Git不常见操作的相关知识,理解Git工具在工作遇到的问题解决思路和方法,相信一定会对大家的前端技能进阶大有帮助。

Windows版YOLOv4目标检测实战:训练自己的数据集

04-26
©️2020 CSDN 皮肤主题: 精致技术 设计师: CSDN官方博客 返回首页
实付0元
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、C币套餐、付费专栏及课程。

余额充值