复杂系统的一个重要特征是具有许多局部最小值和子结构的问题域。生物系统通过根据环境或发育环境在不同子系统之间切换来管理这些局部最小值。遗传算法(GA)可以模仿此切换性能,并提供一种克服问题域复杂性的手段。但是,标准GA需要其他操作员,该操作员将允许以随机方式进行大规模探索。无梯度的启发式搜索技术适合在离散域中为这种单个客观优化任务提供最佳解决方案,尤其是与明显较慢的基于梯度的方法相比。为此,作者从飞行计划域中转向优化问题。作者比较了这种常见的无梯度启发式搜索算法的性能,并提出了气体的变体。还引入了迭代的链接方法(IC)方法,这是通过触发多个局部搜索而不是突变操作员的单数动作来基于传统链接技术的。作者将表明,使用多个本地搜索可以改善本地随机搜索的性能,从而为许多其他问题域提供了足够的机会。据观察,所提出的GA变体在所有基准测试基准中的平均成本最低,包括提出的问题和IC算法的性能优于其成分。
translated by 谷歌翻译