在嘈杂环境中通过自动随机分组的合作进化修正差分进化与基于距离选择的大规模优化问题
摘要：在噪声环境下，许多优化问题受到干扰，非线性检验分解方法（如差分分组）将无法完全检测到变量之间的相互作用，因此在噪声环境中难以分解大规模优化问题（LSOPs）。本文提出了一种自动随机分组（aRG）方法，无需用户指定任何显式超参数。仿真实验和数学分析表明，aRG可以在没有适应度景观知识的情况下检测变量之间的相互作用，并且由aRG分解的子问题规模较小，更容易进行进化算法优化。在合作共同进化（CC）框架的基础上，我们引入了一种名为基于距离选择的改进差分进化（MDE-DS）的高级优化器，以增强在噪声环境中的搜索能力。与经典的差分进化算法相比，参数自适应、多样化和强化之间的平衡以及基于距离的概率选择使MDE-DS具有更强的探索和利用能力。为了评估我们提出的方法的性能，我们在CEC2013 LSGO套件的基础上设计了各种可分离性的500维和1000维问题。数值实验表明，我们的方法在噪声环境中解决LSOPs具有广阔的前景，并且可以轻松扩展到更高维度的问题。
作者：Rui Zhong and Masaharu Munetomo
论文ID：2209.00777
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-09-07