• 即将更新图形学,编译原理,机器学习等文章,谢谢关注~
  • 由于算法限制,搜索时注意简化关键字,谢谢支持~
  • 网站不兼容IE5.0及以下,请使用主流浏览器访问.
  • 合作协同进化详解及伪代码

    协同进化(Cooperative Coevolution)是一种将大问题分解为子问题并独立解决的进化计算方法.子问题也被称为物种。
    子组成部分是作为子群实现的,子群之间的唯一交互作用是对每个子群个体的合作评价。

    一般的CC框架是自然激发的,一个特定种群的个体在自己之间交配,然而,在不同的物种之间交配是不可行的。
    通过将当前个体其他子种群中最好的个体连接起来,就可以在子种群中对每个个体进行合作评估。

    合作协同进化框架已应用于行人检测系统、大规模功能优化、神经网络训练等现实世界问题。它还被进一步扩展到另一种称为“建设性合作共同进化”的方法。

    伪代码:

    合作协同进化(Cooperative Coevolution)是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。

    分解策略的分类:

    ①随机分解:随机选择基因的顺序,但是用户要决定组的数量和组的大小。

    ②扰动:使用若干方法扰动决策变量尝试对变量进行分组。

    ③模型建构:基于个体数量s的概率模型,在进化过程中迭代更新。

    下面是CC算法不同的分解策略体现的论文:

    Liu, X. Yao, Q. Zhao, and T. Higuchi, “Scaling up fast evolutionary
    programming with cooperative coevolution,” in Proc. IEEE Congr. Evol.
    Comput., 2001, pp. 1101–1108.(这是第一次解决1000维的基准问题采用的合作协同进化算法)
    van den Bergh and A. P. Engelbrecht, “A cooperative approach to
    particle swarm optimization,” IEEE Trans. Evol. Comput., vol. 8, no. 3,225–239, Jun. 2004.(这是第一个应用到PSO算法,将一个n维问题分成k-s维问题,没有在大规模的问题上测试过)

    Shi, H. Teng, and Z. Li, “Cooperative co-evolutionary differential
    evolution for function optimization,” in Proc. Int. Conf. Natural Comput.,
    2005, pp. 1080–1088.(应用在差分进化算法中,决策变量被分成两个同样大小的子成分,不适合高维)
    Yang, K. Tang, and X. Yao, “Large scale evolutionary optimization
    using cooperative coevolution,” Inf. Sci., vol. 178, pp. 2986–2999,
    Aug. 2008.(将问题分成k-s维问题,使用随机分组,在1000维上取得了很好的效果)

    N. Omidvar, X. Li, Z. Yang, and X. Yao, “Cooperative coevolution
    for large scale optimization through more frequent random
    grouping,” in Proc. IEEE Congr. Evol. Comput., Jul. 2010,1754–1761.(修正的CPSO随机分组方案,达到2000维)

    N. Omidvar, X. Li, and X. Yao, “Cooperative co-evolution with delta
    grouping for large scale non-separable function optimization,” in Proc.
    IEEE Congr. Evol. Comput., Jul. 2010, pp. 1762–1769.(增量分组策略,当目标函数存在不可分子成分时性能低)

    Yang, K. Tang, and X. Yao, “Multilevel cooperative coevolution
    for large scale optimization,” in Proc. IEEE Congr. Evol. Comput.,
    Jun. 2008, pp. 1663–1670.(MLCC算法,一组不同s的值(子成分的大小)提供给算法,缺点较多)

    另外用CC算法做大规模优化的论文数量有不少。因此要应用CC算法,关键在分解策略提出。

    读者评分
    [评分人数: 3 平均分: 4.7]

    6 位极客在 “合作协同进化详解及伪代码” 留下足迹

    1. 楼主你好哈,看了几天CC,这里一直没有看懂:在用优化算法(DE或者其他改进版本)优化分组后的 subcomponent 时候:
      1>比如原来n个决策变量分成了s个组,这s个subcomponent 是并行优化的吗
      2>优化subcomponent 的FE是用的什么评价函数,和全局问题的FE评价函数有什么关系呢
      3>是否subcomponent 的FE阶段的评价函数需要从全局的FE用到的评价函数来导出呢

      请问博主能加下你的QQ~交流下下吗~~ 谢谢哈

      • 一般来说是并行优化,一般来说subpopulation是用和全局问题的相同的适应度函数,subpopulation优化之前,先取最好的个体,使得最好个体中的其他值不变,只改变(优化)sub中分组的决策变量,然后再用全局函数评价

    2. 请问对于大规模优化问题,目前是否主流方法都是协同进化?是否有其它方法呢?另外,如果我对于函数决策变量间关系不知道(就是无法用数学公式表示出来,是个黑箱子,只是可以调用),但知道决策变量维数很高,是否可以用此类算法解决呢

      • 一般来说主流方法是分治,协同进化是分治(分组)中的一种,当然也有其他方法可以做大规模、高维、请问你是主要做哪个方面的问题,能详细说说嘛

        • 我们实验室主要是做进化计算的,应导师要求最近开始看large scale,但好像看到的基本都是用协同进化的方法做的(以姚新老师为代表的)。

    评论

    OmegaXYZ