.png){kind=icon}
返回
A Survey on Distributed Evolutionary Computation
.png){kind=icon}
PRE
AI
DOI：10.1109/MCI.2025.3563425.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
并行和分布式计算范式的快速发展为计算领域带来了巨大的革命。由于进化计算（EC）固有的并行性，将其实现于这些系统是自然的。一方面，强大的计算能力可以显著提高EC的效率和可扩展性。另一方面，分布式数据为EC带来了新的挑战和发展。本文对分布式进化计算（DEC）进行了系统综述。首先，本文从更广泛的视角概述了DEC，不仅包括在并行和分布式平台上提高EC效率的工作，还包括将DEC应用于解决源自现代分布式环境（如物联网和Multi-Agent系统）的分布式优化问题的工作。根据问题、实现环境、通信模型和算法提出了一个新的分类法来回顾DEC。基于此分类法，DEC解决的问题根据信息所有者被分为集中式优化问题和分布式优化问题。相应地，两大主要目的可以提炼出来：通过并行处理提高集中式优化的效率，以及利用部分信息协调分布式个体/子群体进行分布式优化。注意到后者是一个新兴且具有吸引力的趋势，给出了分布式优化的系统定义，包括维度分布式优化、数据分布式优化和目标分布式优化问题。调研了针对这些问题的各种DEC研究。此外，讨论了挑战和潜在的研究方向，以启发DEC的设计并为未来的发展铺平道路。
Keyword:
Hands
Surveys
Systematics
Computational modeling
Taxonomy
Distributed databases
Evolutionary computation
Parallel processing
Optimization
Systematic literature review
期刊
IF:
11.2
论文数:
613
被引数:
3.1K
机构
引用论文
.png){kind=icon}
Optimization principles and application performance evaluation of a multithreaded GPU using CUDA
PREAI
分享收藏Improved Constructive Cooperative Coevolutionary Differential Evolution for Large-Scale Optimisation
PREAI
分享收藏A federated data-driven evolutionary algorithm for expensive multi-/many-objective optimization一种用于昂贵的多/多目标优化的联邦数据驱动进化算法
OAAI
OAAI分享收藏分享收藏
查看更多内容