神经进化中的对称破缺：技术报告
摘要：人工神经网络（ANN）包含重要的对称性质，这可能会影响神经进化的蒙特卡罗方法的性能。对称性问题也被称为竞争约定问题或简称为排列问题。在文献中，对称性主要是以基于遗传算法的方法来处理的。然而，在其他进化算法（EA）方面的研究很少或者缺乏。此外，关于对称性破缺的有效性有不同且矛盾的报道。通过使用一个新的观点，我们提供了对这个问题的可能解释。结果表明，一个对全局最优点不变的策略只能在某些问题上成功，而在其他问题上则无法改善全局收敛。我们引入了“最小全局最优点邻近性”原则作为一种广义和自适应的对称破缺策略，它取决于全局最优点的位置。我们将这个原则应用于微分进化（DE）和协方差矩阵适应进化策略（CMA-ES），这是两种流行且概念上不同的全局优化方法。通过使用广泛的前馈ANN问题，我们实验证明了所提出的对称破缺技术在全局搜索效率上的显著改进。
作者：Onay Urfalioglu and Orhan Arikan
论文ID：1107.4470
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2011-07-25