许多优化问题都遭受噪声的困扰,基于非线性检查的分解方法(例如,差异分组)将完全无法检测到乘法噪声环境中变量之间的相互作用,因此,很难分解大型优化问题(LSOPS)嘈杂的环境。在本文中,我们提出了一个自动随机分组(ARG),该分组不需要用户指定的任何明确的超参数。仿真实验和数学分析表明,ARG可以检测没有适应性景观知识的变量之间的相互作用,而由ARG分解的子问题具有较小的尺度,这使EAS更容易优化。基于合作协调(CC)框架,我们引入了一个名为“修改差异进化”的高级优化器,其基于距离的选择(MDE-DS),以增强噪声环境中的搜索能力。与规范的DE相比,参数自我适应,多样化和强化之间的平衡以及基于距离的概率选择endow endow endow mde-ds具有更强的勘探和剥削能力。为了评估我们的提案的绩效,我们根据CEC2013 LSGO Suite设计了$ 500 $ -D和$ 1000 $ -D的问题。数值实验表明,我们的建议在嘈杂的环境中解决LSOP的前景广泛,并且很容易扩展到更高维度的问题。
translated by 谷歌翻译