模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2021, Vol. 34 Issue (7): 592-604    DOI: 10.16451/j.cnki.issn1003-6059.202107002
“智能优化算法”专题 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于动态自适应的双档案大规模稀疏优化算法
顾清华1,2,3, 王楚豪1,2, 江松2,3, 陈露1,2,3
1.西安建筑科技大学 管理学院 西安 710055;
2.西安建筑科技大学 矿山系统工程研究所 西安 710055;
3.西安建筑科技大学 资源工程学院 西安 710055
Dual-Archive Large-Scale Sparse Optimization Algorithm Based on Dynamic Adaption
GU Qinghua1,2,3, WANG Chuhao1,2, JIANG Song2,3, CHEN Lu1,2,3
1. School of Management, Xi′an University of Architecture and Technology, Xi′an 710055;
2. Institute of Mine Systems Engineering, Xi′an University of Architecture and Technology, Xi′an 710055;
3. School of Resources Engineering, Xi′an University of Architecture and Technology, Xi′an 710055

全文: PDF (1008 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 针对传统大规模优化算法维数过高、过度稀疏、难以平衡等问题,文中提出基于动态自适应的双档案大规模稀疏优化算法,平衡维数和稀疏性对算法的影响,提高算法在解决大规模优化问题上的多样性和收敛性.首先,改变种群分数生成策略,加入自适应参数和惯性权重,增加分数的动态性,改善种群的多样性,使搜索不易陷入局部最优.然后,改变算法的环境选择策略,引入角度截断的思想,有效生成子代.同时引入双档案,分开真实决策变量和二进制决策变量,减少算法的运行时间.在大规模优化问题、稀疏优化问题及实际应用上的测试表明,文中算法保持原有的稀疏性质,同时稳定提升多样性和收敛性,具有较强的竞争性.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
顾清华
王楚豪
江松
陈露
关键词 大规模稀疏优化算法动态自适应惯性权重双档案    
Abstract:The traditional large-scale optimization algorithms generate high dimensionality and sparseness problems. A dual-archive large-scale sparse optimization algorithm based on dynamic adaptation is proposed to keep the balance of dimensionality and sparseness in the algorithm and improve the diversity and convergence performance of the algorithm in solving large-scale optimization problems. Firstly, the scores strategy for generating population is changed. By adding adaptive parameter and inertia weight, the dynamics of scores is increased, the diversity of the population is improved, and it is not easy to fall into the local optimum. Secondly, the environment selection strategy of the algorithm is changed by introducing the concept of angle truncation, and the offspring is generated effectively. Meanwhile, a double-archive strategy is introduced to separate the real decision variables from the binary decision variables and thus the running time of the algorithm is reduced. The experimental results on problems of large-scale optimization, sparse optimization and practical application show that the proposed algorithm maintains the original sparsity with steadily improved diversity and convergence and strong competitiveness.
Key wordsLarge-Scale    Sparse Optimization Algorithm    Dynamic Adaptation    Inertial Weight    Dual-Archive   
收稿日期: 2021-03-16     
ZTFLH: TP301.6  
基金资助:国家自然科学基金面上项目(No.51974223)、陕西省自然科学基金杰出青年项目(No.2020JC-44)、陕西省自然科学基础研究计划联合基金项目(No.2019JLP-16)资助
通讯作者: 顾清华,博士,教授,主要研究方向为矿业系统工程.E-mail:qinghuagu@126.com.   
作者简介: 王楚豪,硕士研究生,主要研究方向为多目标系统优化.E-mail:15503645140@163.com.江 松,博士,副教授,主要研究方向为智慧矿山的优化建模.E-mail:jiangsong925@163.com.陈 露,博士研究生,研究方向为多目标系统优化.E-mail:chenlu@xauat.edu.cn.
引用本文:   
顾清华, 王楚豪, 江松, 陈露. 基于动态自适应的双档案大规模稀疏优化算法[J]. 模式识别与人工智能, 2021, 34(7): 592-604. GU Qinghua, WANG Chuhao, JIANG Song, CHEN Lu. Dual-Archive Large-Scale Sparse Optimization Algorithm Based on Dynamic Adaption. , 2021, 34(7): 592-604.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202107002      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2021/V34/I7/592
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn