×
傅文元

加速高维全局优化：一种融合同质学习和自噬机制的粒子群优化算法。 （英语） 兹伯利07741666

信息科学。 648，文章ID 119573，16 p.（2023）.
摘要：在高维全局优化中，维数灾难往往导致过早收敛或缓慢收敛。本文提出了基于高速同质学习的粒子群优化算法（HLPSO）来解决这些挑战。该算法基于这样一种观察，即具有相似态度或信仰的个体往往在人类社会中和谐共存，而不像鸟类或鱼类在同一空间中挤压或碰撞。通过在优化过程中引入同质性概念，该算法控制粒子学习，并生成不同的子种群用于竞争和学习。此外，为了加快收敛速度，该算法采用了自噬机制和动态子种群多样性，引导种群朝向全局最优解，同时减少冗余适应度评估。HLPSO的有效性通过其在基准测试套件（包括IEEE进化计算大会（CEC）2008、CEC 2010和CEC 2013）中的卓越性能在1000和2000维度上得到了证明。这些结果不仅突出了其相对于几种最先进算法的优势，还强调了其在有效应对CEC 2017中遇到的低维优化挑战方面的能力。

MSC公司：

90C26型 非凸规划，全局优化
90 C59 数学规划中的近似方法和启发式

关键词：

高维全局优化;同质学习概念;粒子群优化;过早收敛;收敛速度
PDF格式BibTeX公司 XML格式引用
\textit{W.-Y.Fu}，信息科学。648，文章ID 119573，16 p.（2023；Zbl 07741666）
全文： 内政部

参考文献：

[1] Weise，T。；吴，Z。；李，X。；陈，Y。；Lässig，J.，《频率适应值分配：无偏差优化好的解决方案是高效的》，IEEE Trans。进化。计算。，27, 4, 980-992 (2023)
[2] 王振杰。；简·J·R。；詹，Z.-H。；李毅。；Kwong，S。；Zhang，J.，《基因靶向差异进化：大规模优化的简单有效方法》，IEEE Trans。进化。计算。，27, 4, 964-979 (2023)
[3] 周，K。；哦，S.-K。；佩德里茨，W。；邱，J.，基于带模糊惩罚函数的约束粒子群优化构造卷积神经网络分类器的数据预处理策略，工程应用。Artif公司。智力。，117，第105580条pp.（2023）
[4] Rengasamy，S。；Murugesan，P.，基于PSO的不同感知数据聚类，Swarm Evol。计算。，64，第100895条pp.（2021）
[5] 王，Q。；张，Q。；孟，F。；Li，B.，用于改进神经网络联合稀疏性压缩的基于对象层次结构的大规模进化算法，Inf.Sci。，640，第119095条pp.（2023）
[6] 萨卡，M.P。；Hasançebi，O。；Geem，Z.W.，《结构优化中的元启发式和和谐搜索算法的讨论》，Swarm Evol。计算。，28, 88-97 (2016)
[7] 肯尼迪，J。；Eberhart，R.，粒子群优化，ICNN’95国际神经网络会议论文集，第4卷，1942-1948（1995），IEEE
[8] 纪，X。；Zhang，Y。；龚，D。；Sun，X.，双代理辅助的合作粒子群优化，用于昂贵的多模态问题，IEEE Trans。进化。计算。，25, 4, 794-808 (2022)
[9] 郑凯。；袁，X。；徐，Q。；Dong，L。；Yan，B。；Chen，K.，《数值优化问题的适合-距离平衡和个体自我开发策略的混合粒子群优化器》，《信息科学》。，608, 424-452 (2022)
[10] 张，X。；Lin，Q.，用于全局优化问题的三种学习策略粒子群算法，信息科学。，593, 289-313 (2022)
[11] 梁，B。；Zhao，Y。；Li，Y.，具有交叉学习策略的混合粒子群优化，工程应用。Artif公司。智力。，105，第104418条pp.（2021）
[12] Yu，F。；Tong，L。；Xia，X.，基于可调驱动力的粒子群优化算法，信息科学。，609, 60-78 (2022)
[13] 唐·D。；蔡，Y。；赵，J。；Xue，Y.，一种基于模因算法和内存的量子粒子群优化算法，用于连续非线性大规模问题，信息科学。，289, 162-189 (2014)
[14] 王振杰。；詹，Z.-H。；Lin，Y。；于伟杰。；袁海清。；顾，T.-L。；Kwong，S。；Zhang，J.，针对多峰优化问题的具有亲和力传播聚类的双策略差分进化，IEEE Trans。进化。计算。，22, 6, 894-908 (2018)
[15] Omidvar，M.N。；李，X。；梅，Y。；Yao，X.，用于大规模优化的带差分分组的协同协同进化，IEEE Trans。进化。计算。，18, 3, 378-393 (2013)
[16] 刘，G。；郭伟。；牛，Y。；陈，G。；Huang，X.，一种基于PSO的定时驱动八线Steiner树算法，用于考虑折弯减少的VLSI布线，软计算。，19, 5, 1153-1169 (2015) ·Zbl 1382.68015号
[17] 多根，M。；Ozkan，I.A.，《使用带有元启发式算法的优化极端学习机确定小麦类型》，神经计算。申请。，35, 17, 12565-12581 (2023)
[18] 王振杰。；Zhan，Z.-H。；于伟杰。；Lin，Y。；张杰。；顾，T.-L。；Zhang，J.，用于大规模优化的动态组学习分布式粒子群优化及其在云工作流调度中的应用，IEEE Trans。赛博。，50, 6, 2715-2729 (2019)
[19] 波特，文学硕士。；De Jong，K.A.，《函数优化的合作共同进化方法》，（国际自然并行问题解决会议（1994），斯普林格），249-257
[20] Wang，F。；王，X。；Sun，S.，一种用于大规模优化的基于强化学习水平的粒子群优化算法，Inf.Sci。，602, 298-312 (2022)
[21] 桑玛，H。；Lim，C.P。；Saleh，J.M.，一种新的基于强化学习的模因粒子群优化器，应用。软计算。，43276-297（2016）
[22] 龚义杰（Gong，Y.-J.）。；李俊杰。；周，Y。；李毅。；Chung，H.S.-H。；史永华。；Zhang，J.，遗传学习粒子群优化，IEEE Trans。赛博。，46, 10, 2277-2290 (2015)
[23] Hiba，H。；Rahnamayan，S。；Bidgoli，A.A。；Ibrahim，A.，《大规模全局优化中基于中心的新型采样的综合研究》，Swarm Evol。计算。，73，第101105条pp.（2022）
[24] 范登伯格，F。；Engelbrecht，A.P.，粒子群优化的合作方法，IEEE Trans。进化。计算。，8, 3, 225-239 (2004)
[25] 邓，W。；尚，S。；蔡，X。；赵，H。；周，Y。；陈，H。；Deng，W.，《具有合作协同进化框架和大规模优化混合变异策略的量子差分进化》，Knowl-基于系统。，224，第107080条pp.（2021）
[26] 杨，Z。；Tang，K。；姚，X.，使用协同进化的大规模进化优化，信息科学。，178, 15, 2985-2999 (2008) ·Zbl 1283.65064号
[27] Omidvar，M.N。；杨，M。；梅，Y。；李，X。；Yao，X.，DG2：用于大规模黑盒优化的更快、更准确的差分分组，IEEE Trans。进化。计算。，21, 6, 929-942 (2017)
[28] 杨，Z。；Tang，K。；Yao，X.，面向大规模优化的多级协同进化，（2008年IEEE进化计算大会（IEEE计算智能世界大会）（2008），IEEE），1663-1670
[29] 孙，Y。；Kirley，M。；Halgamuge，S.K.，《具有直接和间接变量交互作用的大规模全局优化的扩展差分分组》，（2015年遗传和进化计算年会论文集（2015）），313-320
[30] 汉森，N。；Ostermier，A.，《进化策略中的完全错乱的自我适应》，Evol。计算。，9, 2, 159-195 (2001)
[31] 门德斯，R。；肯尼迪，J。；Neves，J.，《完全知情的粒子群：更简单，也许更好》，IEEE Trans。进化。计算。，8, 3, 204-210 (2004)
[32] Cheng，R。；Jin，Y.，一种用于可扩展优化的社会学习粒子群优化算法，Inf.Sci。，291, 43-60 (2015) ·Zbl 1355.90108号
[33] 程，R。；Jin，Y.，用于大规模优化的竞争群优化器，IEEE Trans。赛博。，45, 2, 191-204 (2015)
[34] 刘，N。；潘，J.-S。；楚，S.-C。；Hu，P.，用于大规模优化的正弦社交学习群优化器，Knowl-基于系统。，259，第110090条pp.（2023）
[35] 李，Z。；陈，Y。；Song，Y。；卢克。；Shen，J.，使用改进的粒子群优化算法生成有效覆盖阵列，IEEE Trans。信实。，71, 1, 284-294 (2022)
[36] Van，T.H。；Tangaravong，S。；林卡塔尼尤（Limkatanyu，S.）。；Xuan，H.N.，离散型钢结构优化的两阶段eso和综合学习pso方法，高级工程软件。，167，第103102条pp.（2022）
[37] Liang，J.J。；秦，A.K。；Suganthan，P.N。；Baskar，S.，用于多模态函数全局优化的综合学习粒子群优化器，IEEE Trans。进化。计算。，10, 3, 281-295 (2006)
[38] 杨琼。；陈，W.N。；大登，J。；李毅。；顾，T。；Zhang，J.，用于大规模优化的基于水平的学习群优化器，IEEE Trans。进化。计算。，22, 4, 578-594 (2017)
[39] 杨琼。；陈，W.N。；顾，T。；张，H。；Deng，J.D。；李毅。；Zhang，J.，用于大规模优化的基于分段的优势学习群优化器，IEEE Trans。赛博。，47, 9, 2896-2910 (2016)
[40] 兰·R。；Zhu，Y。；Lu，H.等人。；刘，Z。；Luo，X.，用于大规模优化的基于两阶段学习的群优化器，IEEE Trans。赛博。，51, 12, 6284-6293 (2021)
[41] 张，E。；聂，Z。；杨琼。；Wang，Y。；刘，D。；Jeon，S.-W。；张杰，大规模优化问题的异构认知学习粒子群优化，信息科学。，633321-342（2023）
[42] 黄，C。；周，X。；冉，X。；刘，Y。；邓，W。；邓伟，用于大规模复杂优化问题的三阶段协同进化竞争群优化器，信息科学。，619, 2-18 (2023)
[43] Tang，K。；Yáo，X。；Suganthan，P.N。；麦克尼什，C。；陈永平。；陈，C.-M。；Yang，Z.，CEC 2008年大型全局优化特别会议和竞赛的基准函数，1-18（2007），自然启发计算与应用实验室，中国科学技术大学：自然启发计算和应用实验室
[44] Ke，T。；李，X。；Suganthan，P.N。；杨，Z。；Weise，T.，《2010年CEC大型全局优化特别会议和竞赛的基准函数》（2009），自然启发计算与应用实验室
[45] 李，X。；Tang，K。；Omidvar，M.N。；杨，Z。；秦，K。；China，H.，CEC 2013特别会议的基准函数和大规模全球优化竞赛，Gene，7，33，8（2013）
[46] Wu，G。；Mallipeddi，R。；Suganthan，P.N.，《2017年CEC约束实参数优化竞赛的问题定义和评估标准》（2017），国防科技大学/京釜国立大学/南洋理工大学：国防科技大学/京釜国立大学/南洋理工大学中国湖南长沙/韩国大邱/新加坡，技术报告
[47] 莫利纳，D。；洛扎诺，M。；Herrera，F.，MA-SW-Chains:基于局部搜索链的模因算法，用于大规模连续全局优化，（IEEE进化计算大会（2010），IEEE），1-8
[48] 卡拉斯科，J。；南卡罗来纳州加西亚。；Rueda，M。；达斯，S。；Herrera，F.，《使用统计测试比较群和进化计算算法的最新趋势：实用指南和评论》，《群进化》。计算。，第54条，第100665页（2020年）
[49] Tanabe，R。；Fukunaga，A.S.，《使用线性种群规模缩减改进阴影搜索性能》，（2014年IEEE进化计算大会（CEC）（2014），IEEE），1658-1665
[50] Pierezan，J。；Coelho，L.D.S.，《Coyote优化算法：一种新的全局优化问题的元启发式算法》，（2018年IEEE进化计算大会（CEC）（2018），IEEE），1-8
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。