Конструктивная кооперативная коэволюция - Википедия - Constructive cooperative coevolution

В конструктивный кооперативный коэволюционный алгоритм (также называемый C3) это глобальная оптимизация алгоритм в искусственный интеллект на основе многозаходной архитектуры жадная рандомизированная процедура адаптивного поиска (ПОНЯТЬ).[1][2] Он включает в себя существующие кооперативный коэволюционный алгоритм (CC).[3] Рассматриваемая проблема разбивается на подзадачи. Эти подзадачи оптимизируются отдельно при обмене информацией для решения всей проблемы. Алгоритм оптимизации, обычно, но не обязательно, эволюционный алгоритм, вложено в C3 для оптимизации этих подзадач. Природа встроенного алгоритма оптимизации определяет, будет ли C3поведение детерминированный или же стохастический.

C3 алгоритм оптимизации изначально был разработан для оптимизация на основе моделирования[4][5] но его можно использовать для глобальная оптимизация проблемы в целом.[6] Его преимущество перед другими алгоритмами оптимизации, особенно с кооперативной коэволюцией, заключается в том, что он лучше справляется с неразрывными задачами оптимизации.[4][7]

Позднее была предложена улучшенная версия, получившая название Улучшенная конструктивная коэволюционная коэволюционная дифференциальная эволюция (C3iDE), что снимает некоторые ограничения предыдущей версии. Новый элемент C3iDE - это расширенная инициализация субпопуляций. C3iDE первоначально оптимизирует субпопуляции частично коадаптивным образом. Во время начальной оптимизации подгруппы только подмножество других подкомпонентов рассматривается для совместной адаптации. Это подмножество увеличивается пошагово, пока не будут рассмотрены все подкомпоненты. Это делает C3iDE очень эффективен для крупномасштабных задач глобальной оптимизации (до 1000 измерений) по сравнению с кооперативный коэволюционный алгоритм (CC) и Дифференциальная эволюция.[8]

Затем улучшенный алгоритм был адаптирован для многокритериальная оптимизация.[9]

Алгоритм

Как показано в псевдокоде ниже, итерация C3 существует из двух фаз. На этапе I, конструктивном этапе, поэтапно строится возможное решение для всей проблемы. Рассмотрение различных подзадач на каждом этапе. После последнего шага рассматриваются все подзадачи и строится решение для всей проблемы. Это построенное решение затем используется в качестве исходного решения в Фазе II, фазе локального улучшения. Алгоритм CC используется для дальнейшей оптимизации построенного решения. Цикл Фазы II включает оптимизацию подзадач по отдельности, сохраняя при этом параметры других подзадач фиксированными на центральном решении «классной доски». Когда это делается для каждой подзадачи, найденное решение объединяется на этапе «сотрудничества», и лучшее из созданных комбинаций становится решением на доске для следующего цикла. В следующем цикле повторяется то же самое. Фаза II и, следовательно, текущая итерация завершаются, когда поиск алгоритма CC останавливается и не удается найти значительно лучших решений. Затем начинается следующая итерация. В начале следующей итерации строится новое допустимое решение, использующее решения, которые были найдены на этапе I предыдущей итерации (й). Это построенное решение затем используется в качестве исходного решения на этапе II так же, как и в первой итерации. Это повторяется до тех пор, пока не будет достигнут один из критериев завершения оптимизации, например максимальное количество оценок.

{Sфаза 1} ← ∅пока критерии прекращения не выполнены делать    если {Sфаза 1} = ∅ тогда        {Sфаза 1} ← SubOpt (∅, 1) конец, если    пока пфаза 1 не полностью построен делать        пфаза 1 ← GetBest ({Sфаза 1})        {Sфаза 1} ← SubOpt (пфаза 1, яследующая подзадача)    конец пока    пфаза 2 ← GetBest ({Sфаза 1})    пока не застаиваться делать        {Sфаза 2} ← ∅         для каждого подзадача i делать            {Sфаза 2} ← SubOpt (пфаза 2,я) конец для        {Sфаза 2} ← Collab ({Sфаза 2})        пфаза 2 ← GetBest ({Sфаза 2})    конец покаконец пока

Многоцелевая оптимизация

Многоцелевой вариант C3 алгоритм [9] - это алгоритм на основе Парето, который использует ту же стратегию разделяй и властвуй, что и одноцелевой C3 алгоритм оптимизации. Алгоритм снова начинается с расширенной конструктивной начальной оптимизации подгрупп населения с учетом растущего подмножества подзадач. Подмножество увеличивается, пока не будет включен весь набор всех подзадач. Во время этих начальных оптимизаций субпопуляция последней включенной подзадачи развивается с помощью многоцелевого эволюционного алгоритма. Для расчетов пригодности членов субпопуляции они комбинируются с совместным решением из каждой из ранее оптимизированных субпопуляций. После того, как все субпопуляции подзадач были изначально оптимизированы, многоцелевой C3 алгоритм оптимизации продолжает оптимизировать каждую подзадачу в круговая мода, но теперь совместные решения из субпопуляций всех других подзадач объединены с членом оцениваемой субпопуляции. Решение соавтора выбирается случайным образом из решений, составляющих Парето-оптимальный фронт субпопуляции. Присвоение пригодности решениям-соавторам выполняется оптимистично (т. Е. «Старое» значение пригодности заменяется, когда новое становится лучше).

Приложения

Конструктивный алгоритм кооперативной коэволюции применялся к различным типам задач, например набор стандартных тестовых функций,[4][6] оптимизация линий прессования листового металла[4][5] и взаимодействующие производственные станции.[5] C3 алгоритм был встроен, среди прочего, в алгоритм дифференциальной эволюции[10] и оптимизатор роя частиц[11] для оптимизации подзадач.

Смотрите также

Рекомендации

  1. ^ Т.А. Фео и M.G.C. Ресенде (1989) «Вероятностная эвристика для вычислительно сложной задачи покрытия множества». Письма об исследованиях операций, 8:67–71, 1989.
  2. ^ Т.А. Фео и M.G.C. Ресенде (1995) «Жадные рандомизированные процедуры адаптивного поиска». Журнал глобальной оптимизации, 6:109–133, 1995.
  3. ^ М.А. Поттер и К.А.Д. Джонг, «Кооперативный коэволюционный подход к оптимизации функций», в PPSN III: Труды Международной конференции по эволюционным вычислениям. Третья конференция по параллельному решению проблем с натуры Лондон, Великобритания: Springer-Verlag, 1994, стр. 249–257.
  4. ^ а б c d Глорье Э., Даниэльссон Ф., Свенссон Б., Леннартсон Б., «Оптимизация взаимодействующих производственных станций с использованием конструктивного кооперативного коэволюционного подхода», 2014 IEEE International Conference on Automation Science and Engineering (CASE), pp.322-327, август 2014, Тайбэй, Тайвань
  5. ^ а б c Глорье Э., Свенссон Б., Даниэльссон Ф., Леннартсон Б., «Конструктивный кооперативный коэволюционный алгоритм, применяемый для оптимизации линии пресса», Материалы 24-й Международной конференции по гибкой автоматизации и интеллектуальному производству (FAIM), стр. 909-917, май 2014 г., Сан-Антонио, Техас, США
  6. ^ а б Глорье Э., Свенссон Б., Даниэльссон Ф., Леннартсон Б.: «Конструктивная кооперативная коэволюция для крупномасштабной глобальной оптимизации», Журнал эвристики, 2017.
  7. ^ Глорье Э., Даниэльссон Ф., Свенссон Б., Леннартсон Б.: «Конструктивная кооперативная коэволюционная оптимизация взаимодействующих производственных станций», Международный журнал передовых производственных технологий, 2015.
  8. ^ Глорье Э., Свенссон Б., Даниэльссон Ф., Леннартсон Б., «Улучшенная конструктивная кооперативная коэволюционная дифференциальная эволюция для крупномасштабной оптимизации», Серия симпозиумов IEEE по вычислительному интеллекту, 2015 г., декабрь 2015 г.
  9. ^ а б Глорье Э., Свенссон Б., Даниэльссон Ф., Леннартсон Б., «Многоцелевая конструктивная совместная коэволюционная оптимизация роботизированного ухода за линией пресса», Инженерная оптимизация, Том. 49, вып. 10, 2017, стр 1685-1703
  10. ^ Сторн, Райнер и Кеннет Прайс. «Дифференциальная эволюция - простая и эффективная эвристика для глобальной оптимизации в непрерывных пространствах», Журнал глобальной оптимизации 11.4 (1997): 341-359.
  11. ^ Эберхарт, Расс С. и Джеймс Кеннеди. «Новый оптимизатор, использующий теорию роя частиц», Материалы шестого международного симпозиума по микромашинам и гуманитарным наукам. Vol. 1. 1995.