文章 "种群优化算法：人工多社区搜索对象（MSO）"

新评论
 

新文章 种群优化算法：人工多社区搜索对象（MSO）已发布：

这是上一篇研究社群概念文章的延续。本文使用迁徙和记忆算法探讨社群的演化。结果将有助于理解社区系统的演化，并将其应用于优化和寻找解。

在上一篇文章中，我们研究了社群的演变，它们在搜索空间中可自由移动。然而，在此，我提议我们改变一下概念，并假设群在地区间移动，从一个地区跳到另一个地区。所有群都有自己的中枢，这些中枢在算法的每次迭代中都会更新。此外，我们还为整个群和其中的每个份子引入了记忆的概念。依据这些变化，我们的算法现在允许群基于有关最佳解的信息从一个地区移动到另一个地区。

这种新的修改为研究社群的演变开辟了新的可能性。路过的地区可与当地群分享信息和经验，从而导致更有效的搜索和适应。记忆引入令群能够保留有关之前迁徙的信息，并据其来决定未来的迁徙。

在本文中，我们将进行一连串实验，以便探讨这些新概念如何影响算法的搜索性能。我们将分析群间的互动、它们的合作和协调能力、以及它们的学习和适应能力。我们的研究成果可能会阐明社区系统的演变，并有助于更好地了解群体如何形成、进化、及适应变化中的环境。

作者：Andrey Dik

 

理论问题（可在实践中检验）。

如果我们在参数集中添加一个假参数（不参与 FF 计算），其取值范围例如为 5 个值，算法结果会改善/恶化吗？

 

关于 FF 作为 TC 的复杂性问题。

标准 GA 在绿色框中完成了优化。


先摸索再重新启动 GA，结果要好得多（红框）。

 
fxsaber #:

关于 FF 作为 TC 的复杂性。

工作人员的 GA 已在绿色框中完成优化。

先摸索着重新启动 GA，结果要好得多（红框）。

对于标准 GA 来说，多次发射是推荐的技术（我不知道这样做是好是坏--有支持也有反对）。

 
fxsaber #:

理论问题（可在实践中检验）。

如果我们在集合中添加一个假参数（不参与 FF 计算），其取值范围例如为 5 个值，算法结果会改善/恶化吗？

毫无疑问是恶化。为了找到 "好的 "假参数，FF 运算将被白白浪费掉。

假参数的可能变体占可能参数变体总数的百分比越大，影响就越大--在以随机结果为目标的限度内。
。

 
Stanislav Korotky #:

对于标准 GA 来说，多次启动是推荐的技术（我不知道这样做是好是坏--有支持也有反对）。

谢谢，这是内置的。

 
Andrey Dik #:

恶化，毫不含糊。为了找到 "好的 "假参数，Ff 运行将被白白浪费。

假参数的可能变体占可能参数变体总数的百分比越大，影响就越大--在以随机结果为目标的限度内。
。

我得去看看。

 
fxsaber #:

我得去看看。

我觉得更正确的说法是，假参数会增加查找难度。但在同等条件下，结果会更糟。比方说，如果你运行 100 万次 ff，结果是一样的，但如果你运行 1k 次，差别就会很明显。

新评论