CCLSM - 2018

最新推荐文章于 2022-02-22 10:54:57 发布
原创 最新推荐文章于 2022-02-22 10:54:57 发布 · 578 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

CCLSM（Cooperative Co-evolutionary Algorithm for Large-Scale Multi-Objective Optimization）通过快速相互依赖识别算法和合作协同进化策略解决高维决策变量的优化问题。该算法能有效识别和分组决策变量，提高多目标优化问题的求解效率。

CCLSM

A Cooperative Co-evolutionary Algorithm for Large-Scale Multi-Objective Optimization Problems

Li M , Wei J . A cooperative co-evolutionary algorithm for large-scale multi-objective optimization problems[C]// the Genetic and Evolutionary Computation Conference Companion. 2018.

一、摘要

为了解决 MOEAs 在面对高维的决策变量时的搜索能力里下降的情况，提出了一个新的算法（CCLSM）:

  1. 采用快速相互依赖识别算法（fast interdependency identification algorithm FII）识别决策变量并合理分组
  2. 提出了一种新的合作协同进化算法来求解 MOPs 问题。

二、算法

一、快速相互依赖识别算法

刚刚上传的 Fast Interdependency Identification（FII） 里有详情介绍，请各位同学移步至 FII 查阅，写的很详细哦~

这里使用图片大概描述一下是怎么分解的：

分组示意图

最低0.47元/天 解锁文章
Cooperative Co-evolution with Differential Grouping for Large Scale Optimization
qq_42148307的博客
12-10 1045
本文在CCVIL分解的基础上，提出了一种称为微分分组(DG)的自动分解策略，它可以揭示决策变量的潜在交互结构，使它们之间的相互依赖保持在最小。最后将DG分组策略应用于DECC与CBCC的框架中。
Cooperative Co-evolution for Large Scale Optimization Through More frequent Random Grouping
qq_42148307的博客
11-26 335
本文是在MLCC的基础上改进而来的，提出了DECC_ML。本文证明了使用随机分组在一个子组件中分组交互变量的概率随着交互变量数量(每个子空间包含的变量维度)的增加而显著下降。这就要求更频繁地进行变量的随机分组。本文展示了如何增加随机分组的频率，而不增加适应度评估的数量。本文还表明，自适应加权是无效的，通过对目标函数的额外评估浪费了大量的CPU时间。最后，本文提出了一种新的动态调整分组大小的自适应技术。
论文研读-基于决策变量聚类的大规模多目标优化进化算法
泛用演化计算、通用人工智能优化模型
06-30 8604
论文研读-基于决策变量聚类的大规模多目标优化进化算法 A Decision Variable Clustering-Based Evolutionary Algorithm for Large-Scale Many-Objective Optimization 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 X. Zhang, Y. Tian, R. Cheng and Y. Jin, "A Decision Variable Clustering-Based Evolutionary Algori
合作协同进化算法CCEAs（Cooperative Co-Evolution Algorithm）
热门推荐
今朝相守观桑田的博客
06-17 1万+
** 合作协同进化算法CCEAs ** 1.概述         CCEAs（合作协同进化算法）是一个求解大规模优化问题的算法，该算法采取“分而治之”的策略。对于一个优化问题，依变量分解成若干组问题，分组优化，且各分组间进行合作协同，共同完成整个问题的优化。      ...
论文研读-基于决策变量分析的大规模多目标进化算法
泛用演化计算、通用人工智能优化模型
07-02 8161
论文研读-基于决策变量分析的大规模多目标进化算法 Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 X. Ma et al., "A Multiobjective Evolutionary Algorithm Based o
MOEA/D-RDG 2016 阅读笔记
future12356的博客
04-12 1238
MOEA/D-RDG A Random-Based Dynamic Grouping Strategy for Large Scale Multi-objective Optimization A. Song, Q. Yang, W. N. Chen, and J. Zhang, “A random-based dynamic grouping strategy for large scale multi-objective optimization,” in IEEE Congress on Evolu
Fast Interdependency Identification (FII) - 2017
future12356的博客
01-16 693
快速相互依赖识别算法 FII
A decision variable clustering based evolutionary algorithm for large-scale many-objective optimization
最新发布
04-01
此外，文献提到另一种改进版本——CCLSM (Cooperative Co-evolutionary Algorithm)，进一步强化了模块化设计理念并通过动态调整权重参数提升灵活性。同样地，“Competitive Swarm Optimizer”也提供了类似的竞争合作...
论文研读-基于变量分类的动态多目标优化算法
泛用演化计算、通用人工智能优化模型
06-19 1万+
论文研读-基于变量分类的动态多目标优化算法 A Dynamic Multiobjective Evolutionary Algorithm Based on Decision Variable Classification 觉得有用的话,欢迎一起讨论相互学习~ 此篇文章为 Liang Z , Wu T , Ma X , et al. A Dynamic Multiobjective Evolutionary Algorithm Based on Decision Variable Classificat
基于相似性的动态区间多目标协同进化算法
qq_37179970的博客
01-18 1992
A Similarity-based Cooperative Co-evolutionary Algorithm for Dynamic Interval Multi-objective Optimization Problems 基于相似性的动态区间多目标协同进化算法 链接:
LSMOF-2019 阅读笔记
future12356的博客
04-23 2434
LSMOF-2019 阅读笔记 Accelerating Large-scale Multi-objective Optimization via Problem Reformulation He C , Li L , Tian Y , et al. Accelerating Large-Scale Multiobjective Optimization via Problem Reformulation[J]. IEEE Transactions on Evolutionary Computation,
WOF-MMOPSO-RDG-2020 阅读笔记
future12356的博客
04-13 1656
A random dynamic grouping based weight optimization framework for large-scale multi-objective optimization problems Liu R , Liu J , Li Y , et al. A random dynamic grouping based weight optimization framework for large-scale multi-objective optimization
CCGDE3 - 2013
future12356的博客
01-15 1545
协同进化解决大规模多目标优化问题 CCGDE3
Model-based evolutionary algorithms: a short survey 阅读笔记
future12356的博客
02-22 1373
Model-based evolutionary algorithms: a short survey 1、摘要 本综述通过考虑使用模型的三种不同动机，简要回顾了一些有代表性的MBEAs。 第一，使用模型最常见的动机是估计候选解的分布。 第二，在进化多目标优化中，使用模型的动机之一是建立从目标空间到决策空间的逆模型。 第三，当解决计算量大的问题时，模型可以作为适应度函数的替代品。 2、引言 MBEAs的思想是用 [ML模型](Machine Learning Models) 取代操作算子，候选解被用作每一代
LSMOF/D阅读笔记
future12356的博客
10-08 810
Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation L. Li, C. He, R. Cheng and L. Pan, “Large-scale Multiobjective Optimization via Problem Decomposition and Reformulation,” 2021 IEEE Congress on Evolutionary Computation
iLSMOA-2020 - 阅读笔记
future12356的博客
04-08 809
Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization C. He, R. Cheng, Y. Tian and X. Zhang, “Iterated Problem Reformulation for Evolutionary Large-Scale Multiobjective Optimization,” 2020 IEEE Congress on Evolutionary Co
iWOF阅读笔记
future12356的博客
10-08 715
An Improved Weighted Optimization-based Framework for Large-scale MOPs J. Zheng, L. Li, Q. Lin and Z. Ming, “An Improved Weighted Optimization-based Framework for Large-scale MOPs,” 2021 IEEE Congress on Evolutionary Computation (CEC), 2021, pp. 2156-21
SSVG-2020-阅读笔记
future12356的博客
04-12 691
A Symmetric Points Search and Variable Grouping Method for Large-scale Multi-objective Optimization Tang D , Wang Y , Wu X , et al. A Symmetric Points Search and Variable Grouping Method for Large-scale Multi-objective Optimization[C]// 2020 IEEE Congre
E-CSO-2021-阅读笔记
future12356的博客
10-09 666
An Efficient Competitive Swarm Optimizer for Solving Large-Scale Multi-objective Optimization Problems Li Y., Li L., Lin Q., Ming Z. (2021) An Efficient Competitive Swarm Optimizer for Solving Large-Scale Multi-objective Optimization Problems. In: Huang
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
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、付费专栏及课程。

余额充值