• 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.
  • 高维(多变量)优化问题的技术与瓶颈

    现实世界中的优化问题往往具有较高的复杂度和维数,称为LSGO问题,即Large-Scale Global Optimization。

    此问题在各个领域的研究工作中都引起了极大的兴趣。许多科学和工程应用程序被表述为LSGO问题,如设计大型电子系统,大量资源的调度问题,大规模交通中的车辆,路由问题网络,生物信息学中的基因识别,逆问题,化学动力学等。在过去的十年里,大量的元启发式为了显著提高处理算法的性能,开发了算法或改进算法LSGO问题。

    下表是常见的处理LSGO问题的算法与技术:

    下面列出了LSGO问题的挑战:

    • (1)搜索空间随着决策变量的数量呈指数增长;
    • (2)元启发式算法通常的需要的计算代价太大(维度多,时间长);
    • (3)基于分治思想的CC方法需要研究变量的交互性(关联性);
    • (4)高维特征的冗余性与不相关性较大(irrelevant and redundant)会降低算法的效率和性能。

    以上问题导致了大多数解决大规模问题的算法在超过1000D的数据上效果很差。

    参考文献:Mahdavi S, Shiri M E, Rahnamayan S. Metaheuristics in large-scale global continues optimization: A survey[J]. Information Sciences, 2015, 295: 407-428.

    读者评分
    [评分人数: 3 平均分: 2.3]

    评论

    OmegaXYZ