多根·康力斯;彼得罗·奥利维托。;多尼亚·亚兹达尼 当超突变和老化使人工免疫系统优于进化算法时。 （英语） Zbl 1443.68226号 西奥。计算。科学。 832, 166-185 (2020). 摘要：我们提出了Opt-IA人工免疫系统（AIS）的时间复杂性分析。我们首先通过对其进行隔离分析来强调其区分算子（即具有突变潜力和老化的超突变）的威力和局限性。最近的工作表明，老化与局部突变相结合可以帮助避免动态优化基准函数的局部最优。我们通过严格证明，与进化算法（EA）相比，在使用局部和全局变异时，老化会导致标准基准函数显著的加速，从而概括了这一结果。除非在第一个构造突变处停止应用（FCM）机制，我们证明了超突变需要指数期望运行时来优化任何具有多项式最优数的函数。如果使用FCM，则预期运行时间至多是一个线性因子，大于使用人工适应度方法的任何随机局部搜索算法所达到的上限。然而，我们证明了使用超变异的算法在逃逸局部最优解方面比EA快得多。对完整Opt-IA的分析表明，它对先前考虑的函数是有效的，并突出了使用完整算法至关重要的问题。我们通过展示一类函数来完成这一图景，其中Opt-IA以压倒性的概率失败，而标准EA是有效的。 引用于7文件 MSC公司： 68瓦50 进化算法、遗传算法（计算方面） 68瓦40 算法分析 关键词：人工免疫系统;操作-IA;运行时分析;进化算法;超突变;老化 PDF格式BibTeX公司 XML格式引用 \textit{D.Corus}等人，Theor。计算。科学。832166-185（2020年；Zbl 1443.68226） 全文： 内政部 arXiv公司 链接 参考文献： [1] 康力斯，D。；Oliveto，P.S。；Yazdani，D.，关于Opt-IA人工免疫系统的运行时间分析，（GECCO 2017（2017）Proc.），83-90 [2] 德卡斯特罗，L.N。；Timmis，J.，《人工免疫系统：一种新的计算智能范式》（2002），施普林格出版社：施普林格出版社，美国新泽西州·Zbl 1027.68108号 [3] 伯内特，F.M.，《获得性免疫的克隆选择理论》（1959年），剑桥大学出版社 [4] 德卡斯特罗，L.N。；Zuben，F.J.V.，使用克隆选择原理的学习和优化，IEEE Trans。进化。计算。，6, 239-251 (2002) [5] Kelsey，J。；Timmis，J.，免疫激发的用于功能优化的体细胞连续超突变，（GECCO 2003（2003）的Proc.），207-218·Zbl 1028.68801号 [6] Cutello，V。；Pavone，M。；Timmis，J.，格子模型上蛋白质结构预测的免疫算法，IEEE Trans。进化。计算。，10, 844-861 (2006) [7] Cutello，V。；尼科西亚，G。；罗密欧，M。；Oliveto，P.S.，《免疫算法的收敛性》（FOCI Proc.2007（2007）），409-415 [8] Jansen，T。；Zarges，C.，分析免疫激发的体细胞连续超突变的不同变体，Theor。计算。科学。，412, 517-533 (2011) ·Zbl 1209.90358号 [9] 康力斯，D。；He，J。；Jansen，T。；Oliveto，P.S。；Sudholt，D。；Zarges，C.，《生物激励优化中变异算子的最简单函数》，Algorithmica，78，714-740（2016）·Zbl 1366.68257号 [10] Zarges，C.，逆向适应度比例突变率的严格运行时分析，（PPSN X（2008）Proc.），112-122 [11] Zarges，C.，《人口规模对适应力成反比突变率的效用》（FOGA Proc.2009（2009）），39-46·Zbl 1369.68336号 [12] Jansen，T。；Zarges，C.，《关于年龄差异对有效老化操作员的作用》，Evol。整数。，4, 99-125 (2011) [13] 霍洛巴，C。；Jansen，T。；Zarges，C.，随年龄增长的随机搜索启发式中的最大年龄，（GECCO 2009（2009）的Proc.），803-810 [14] 奥利韦托，P.S。；Sudholt，D.，《随机老化机制的运行时分析》（GECCO Proc.2014（2014）），113-120 [15] 詹森，T。；Oliveto，P.S。；Zarges，C.，《关于顶点覆盖问题的免疫激励B-Cell算法的分析》（ICARIS 2011（2011）Proc.），117-131 [16] Jansen，T。；Zarges，C.，《使用B-Cell算法计算最长公共子序列》，（ICARIS 2012（2012）Proc.），111-124 [17] Cutello，V。；尼科西亚，G。；Pavone，M.，《探索免疫算法的能力：超变异算子的特征》（ICARIS 2004（2004）Proc.），263-276 [18] Cutello，V。；尼科西亚，G。；Pavone，M.，图着色问题的具有信息增益的混合免疫算法，（GECCO 2003（2003）Proc.），171-182·Zbl 1028.68715号 [19] Cutello，V。；Nicosia，G.，着色、命中集和可满足性问题的克隆选择算法，（神经网络，第3931卷（2006）），324-337 [20] Oliveto，P.S。；Yao，X.，离散优化进化算法的运行时分析，（随机搜索启发式理论：基础和最新发展（2011），世界科学出版社），21-52·Zbl 1235.90192号 [21] Jansen，T.，《分析进化算法：计算机科学视角》（2013），Springer·Zbl 1282.68008号 [22] Jansen，T。；Zarges，C.，《人工免疫系统中的变异：具有突变潜能的超突变》，（ICARIS 2011（2011）Proc.），132-145 [23] Oliveto，P.S。；Lehre，P.K。；Neumann，F.，基于等级的突变结合勘探和开发的理论分析，（CEC 2009年（2009年）公报），1455-1462 [24] Droste，S。；Jansen，T。；Wegener，I.，关于（1+1）进化算法的分析，Theor。计算。科学。，276, 51-81 (2002) ·Zbl 1002.68037号 [25] 丹·D·C。；弗里德里希，T。；Kötzing，T。；Krejca，M.S。；Lehre，P.K。；Oliveto，P.S。；Sudholt，D。；Sutton，A.M.，《使用具有突发分集的交叉来逃避局部最优》，IEEE Trans。进化。计算。，22, 484-497 (2018) [26] 多尔，B。；Le，H.P。；马赫马拉，R。；Nguyen，T.D.，《快速遗传算法》（GECCO Proc.2017（2017）），777-784 [27] Jägersküpper，J。；Storch，T.，《当加号策略优于逗号策略，而当不优于逗号策略时》（FOCI 2007（2007）的Proc.），25-32 [28] Oliveto，P.S。；派克斯昂，T。；Pérez Heredia，J。；Sudholt，D。；Trubenová，B.，《如何在黑盒优化中摆脱局部最优：当非精英主义优于精英主义时》，Algorithmica，801604-1633（2017）·Zbl 1390.68605号 [29] 派克斯昂，T。；Pérez Heredia，J。；Sudholt，D。；Trubenová，B.，《走向自然和人工进化的运行时比较》，《算法》，78，681-713（2017）·Zbl 1366.68270号 [30] Sudholt，D.，进化算法运行时间下限的新方法，IEEE Trans。进化。计算。，17, 418-435 (2012) [31] Lissovoi，A。；Oliveto，P.S。；Warwicker，J.A.，《关于多峰优化算法选择超神经网络的时间复杂性》，（AAAI 2019年（2019年）公报），出版 [32] Feller，W.，《概率论及其应用导论》（1968），John Wiley&Sons·Zbl 0155.23101号 [33] Neumann，F。；Sudholt，D。；Witt，C.，《蚁群优化与局部搜索相结合的严格分析》，（ANTS 2008年公报，第5217卷（2008）），132-143 [34] 康力斯，D。；Oliveto，P.S。；Yazdani，D.，《快速人工免疫系统》（PPSN XV Proc.（2018）），67-78 [35] 康力斯，D。；Oliveto，P.S。；Yazdani，D.，人工免疫系统可以为NP-hard分区问题找到任意好的近似，（PPSN XV（2018）Proc.），16-28 [36] 康力斯，D。；Oliveto，P.S.，标准稳态遗传算法比纯突变进化算法爬得更快，IEEE Trans。进化。计算。，22, 720-732 (2018) [37] Lissovoi，A。；奥利韦托，P.S。；Warwicker，J.A.，《关于伪布尔优化广义选择超神经网络的运行时分析》（GECCO Proc.2017（2017）），849-856 [38] 多尔，B。；Lissovoi，A。；Oliveto，P.S。；Warwicker，J.A.，《关于具有自适应学习周期的选择超神经系统的运行时分析》（GECCO Proc.2018（2018）），1015-1022 [39] Lengler，J.，单调函数进化算法的一般二分法，（PPSN XV（2018）Proc.），3-15 [40] 弗里德里希，T。；Göbel，A。；昆赞，F。；Wagner，M.，单目标组合优化中的重尾变异算子，（PPSN XV（2018）Proc.），134-145 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。