项目名称: 动态环境下基于聚类的自学习多种群算法研究

项目编号: No.61203306

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 自动化学科

项目作者: 李长河

作者单位: 中国地质大学(武汉)

项目金额: 26万元

中文摘要: 现实中很多优化问题是变化的,而且变化是很难或者不能被检测到的。如何合理地保持种群多样性和处理环境的变化是演化计算求解这类动态优化问题面临的两个挑战。为了解决以上挑战,本项目将设计一个基于聚类的自学习多种群算法框架。该算法框架利用演化过程中种群的反馈信息,推断出与环境匹配的个体数量,并用聚类的办法生成子种群,从而能在变化的环境中合理地保持种群的多样性。本项目首次利用层次聚类方法生成多个种群,可以有效地解决多种群方法中尚未深入讨论和解决的困难,比如怎样定义种群的数量及如何产生每个种群等。另外,该算法框架仅利用种群自身的反馈信息来维持种群的多样性,不依赖于环境变化的检测。它适用于变化很难或者不能被检测到的动态环境,这是目前大部分优化算法不能做到的。因此,该研究可以为基于多种群的演化算法求解动态优化问题提供一个有效的通用平台,对推动理论研究的实际应用具有重要意义。

中文关键词: 动态优化;多种群;粒子群优化;;

英文摘要: Many real world optimization problems are changing overtime, and changes are difficult or impossible to be detected. Evolutionary computation has been subjected to two fundamental challenges when solving dynamic optimization problems (DOPs). They are how to maintain the social diversity and how to handle the dynamism, respectively. In order to solve the two issues, this proposal proposes a general framework of self-learning multi-population methods using clustering in dynamic environments. To maintain the population diversity in changing environments, this framework employs some feedback information obtained from the whole populations to estimate a proper number of individuals needed. A hierarchical clustering method is used for the first time to create multiple populations to solve DOPs. This framework provides an efficient way to solve some difficult issues which have never been discussed in the literature of multi-population methods for DOPs, e.g., how to define search areas of sub-populations, how to define the number of sub-populations, and how to create sub-populations. Because only feedback from populations themselves is used to maintain the population diversity, this framework can be used in dynamic environments with any change types, including the environments where changes are hard or impossible to be

英文关键词: Dynamic optimization;multi-population;particle swarm optimization;;

成为VIP会员查看完整内容
0

相关内容

个性化学习推荐研究综述
专知会员服务
58+阅读 · 2022年2月2日
【经典书】全局优化算法:理论与应用,820页pdf
专知会员服务
150+阅读 · 2021年11月10日
专知会员服务
42+阅读 · 2021年9月15日
【干货书】Python科学编程,451页pdf
专知会员服务
127+阅读 · 2021年6月27日
专知会员服务
24+阅读 · 2021年4月21日
CVPR 2021 Oral | 室内动态场景中的相机重定位
专知会员服务
15+阅读 · 2021年4月12日
专知会员服务
83+阅读 · 2020年12月11日
最新《图嵌入组合优化》综述论文,40页pdf
专知会员服务
75+阅读 · 2020年8月31日
专知会员服务
42+阅读 · 2020年7月29日
专知会员服务
87+阅读 · 2020年1月20日
最新基于强化学习的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年9月10日
【PHM算法】PHM算法 | 故障诊断建模方法
产业智能官
64+阅读 · 2020年3月16日
SLAM的动态地图和语义问题
计算机视觉life
23+阅读 · 2019年4月27日
研究SLAM,对编程的要求有多高?
计算机视觉life
24+阅读 · 2019年2月18日
无人机集群对抗研究的关键问题
无人机
55+阅读 · 2018年9月16日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
零基础概率论入门:最大似然估计
论智
12+阅读 · 2018年1月18日
LibRec 每周算法:LDA主题模型
LibRec智能推荐
29+阅读 · 2017年12月4日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
13+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
13+阅读 · 2020年4月12日
Arxiv
12+阅读 · 2018年1月28日
小贴士
相关VIP内容
个性化学习推荐研究综述
专知会员服务
58+阅读 · 2022年2月2日
【经典书】全局优化算法:理论与应用,820页pdf
专知会员服务
150+阅读 · 2021年11月10日
专知会员服务
42+阅读 · 2021年9月15日
【干货书】Python科学编程,451页pdf
专知会员服务
127+阅读 · 2021年6月27日
专知会员服务
24+阅读 · 2021年4月21日
CVPR 2021 Oral | 室内动态场景中的相机重定位
专知会员服务
15+阅读 · 2021年4月12日
专知会员服务
83+阅读 · 2020年12月11日
最新《图嵌入组合优化》综述论文,40页pdf
专知会员服务
75+阅读 · 2020年8月31日
专知会员服务
42+阅读 · 2020年7月29日
专知会员服务
87+阅读 · 2020年1月20日
相关资讯
最新基于强化学习的推荐系统综述
机器学习与推荐算法
6+阅读 · 2021年9月10日
【PHM算法】PHM算法 | 故障诊断建模方法
产业智能官
64+阅读 · 2020年3月16日
SLAM的动态地图和语义问题
计算机视觉life
23+阅读 · 2019年4月27日
研究SLAM,对编程的要求有多高?
计算机视觉life
24+阅读 · 2019年2月18日
无人机集群对抗研究的关键问题
无人机
55+阅读 · 2018年9月16日
【深度】行人检测算法
GAN生成式对抗网络
29+阅读 · 2018年6月3日
零基础概率论入门:最大似然估计
论智
12+阅读 · 2018年1月18日
LibRec 每周算法:LDA主题模型
LibRec智能推荐
29+阅读 · 2017年12月4日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
13+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员