搜索D-和A最优设计的差分进化变体
摘要：最优实验设计是统计学中的一个重要子领域，旨在最大化实验成功的机会。D-和A-最优设计是最优设计领域中一个非常具有挑战性的问题，即最小化逆费舍尔信息矩阵的行列式和迹。由于灵活性和易于实施性，传统的进化算法（EAs）被应用于处理实验优化设计问题的一小部分，而无需进行数学推导和假设。然而，目前的进化算法仍存在确定支持点数、处理不可行权重解、实验不足的问题。为了解决上述问题，本文探讨了在几种不同统计模型上寻找D-和A-最优设计的差分进化（DE）变体。引入修复操作，通过基于欧氏距离组合相似支持点及其相应的权重，自动确定支持点，并删除权重较小的支持点。此外，修复操作将不可行的权重解修正为可行的权重解。为了丰富最优设计实验，我们利用所提出的DE变体在12个统计模型上测试D-和A-最优设计问题。与其他竞争算法相比，模拟实验表明LSHADE在D-和A-最优设计问题上能够实现更好的性能。
作者：Lyuyang Tong
论文ID：2208.11262
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-08-25