(0) 阅读 (1095)

构造性合作协同演化 编辑

词条创建者 匿名用户

构造性合作协同演化

编辑

构造性合作协同演化算法(又称C3)是人工智能中的一种全局优化算法,基于贪婪的随机适应性搜索程序(GRASP)的多起点结构。它结合了现有的合作共进化算法(CC)。所考虑的问题被分解为子问题。这些子问题被分别优化,同时交换信息,以解决完整的问题。一个优化算法,通常但不一定是进化算法,被嵌入到C3中以优化这些子问题。嵌入的优化算法的性质决定了C3的行为是确定性的还是随机性的。C3优化算法最初是为基于模拟的优化而设计的,但它也可用于一般的全局优化问题。与其他优化算法,特别是合作协同进化算法相比,它的优势在于能够更好地处理不可分割的优化问题。后来又提出了一个改进的版本,称为改进的建设性合作协同进化差分进化(C3iDE),它消除了前一个版本的一些限制。C3iDE的一个新元素是子种群的高级初始化。C3iDE最初以部分共同适应的方式对子种群进行优化。在一个子种群的初始优化过程中,只有其他子组件的一个子集被考虑用于共同适应。这个子集逐步增加,直到所有的子组件都被考虑。这使得C3iDE与合作协同进化算法(CC)和差分进化算法相比,在大规模全局优化问题上非常有效(多达1000维)。改进后的算法已经适用于多目标优化。

构造性合作协同演化的算法

编辑

如下面的伪代码所示,C3的迭代存在两个阶段。在xxx阶段,即构造阶段,整个问题的可行方案以逐步的方式被构建。每一步都考虑到不同的子问题。在最后一步之后,所有的子问题都被考虑到了,一个完整问题的解决方案被构建出来。这个构建的解决方案然后被用作第二阶段的初始解决方案,即局部改进阶段。CC算法被用来进一步优化构建的解决方案。第二阶段的一个周期包括分别优化子问题,同时将其他子问题的参数固定在一个中央黑板的解决方案上。当对每个子问题进行优化后,找到的解决方案在协作步骤中被结合起来,产生的组合中xxx的一个成为下一个周期的黑板解决方案。在下一个周期中,同样的情况被重复。第二阶段,也就是当前的迭代,在CC算法的搜索停滞不前,没有发现明显更好的解决方案时,就会终止。

构造性合作协同演化

然后,开始下一次迭代。在下一次迭xxx始时,利用在前一次迭代的xxx阶段中发现的解决方案,构建一个新的可行的解决方案。然后,这个构建的解决方案被用作第二阶段的初始解决方案,方法与xxx次迭代相同。如此反复,直到达到优化的终止标准之一,例如xxx的评估次数。{Sphase1}←∅而终止标准没有得到满足doif{Sphase1}=∅then{Sphase1}←SubOpt(∅,1)endifwhilepphase1没有完全构建完成dopphase1←GetBest({Sphase1}){Sphase1}←SubOpt(pphase1,inextsubproblem)endwhilepphase2←GetBest({Sphase1})whilenotstagnatedo{Sphase2}←∅对于每个子问题i做{Sphase2}←SubOpt(pphase2,i)endfor{Sphase2}←Collab({Sphase2})pphase2←GetBest({Sphase2})endwhileendwhile

多目标优化

编辑

C3算法的多目标版本是一种基于帕累托的算法,它采用的是与单目标C3优化算法相同的分而治之的策略。该算法再次从子种群的高级建设性初始优化开始,考虑越来越多的子问题的子集。该子集不断增加,直到包括所有子问题的整个集合。在这些初始优化过程中,最新包括的子问题的子群是由多目标进化算法进化的。对于子种群成员的适配性计算,它们与先前优化的每个子种群中的合作者解决方案相结合。一旦所有子问题的子种群被初步优化,多目标C3优化算法继续以循环方式优化每个子问题,但现在来自所有其他子问题的子种群的合作者解决方案与正在评估的子种群的成员相结合。合作者的解决方案被选为r


内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/163689/

发表评论

登录后才能评论

词条目录
  1. 构造性合作协同演化
  2. 构造性合作协同演化的算法
  3. 多目标优化

轻触这里

关闭目录

目录