.png){kind=icon}
返回
Adaptive pattern learning particle swarm optimization for large-scale optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102268.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模优化问题（LSOPs）是进化计算（EC）领域的一个重要议题，许多研究人员设计了各种学习策略以尝试更有效地解决LSOPs。然而，大多数学习策略在整个进化过程中采用固定的学习模式，且缺乏根据个体特性进行自适应调整的机制。实际上，不同个体具有不同的开发或探索能力，适合不同的学习模式。因此，本文提出自适应模式学习粒子群优化算法（APLPSO）以解决LSOPs。在APLPSO中，首先基于不同数量的学习范例生成多种学习模式，以丰富种群的学习多样性。然后，每个个体将评估学习模式并自适应地选择自身合适的学习模式进行更新。在两个广泛使用的大规模优化测试集CEC2010和CEC2013上的实验结果表明，APLPSO显著优于其他当前最优的大规模优化算法，包括CEC2010和CEC2012竞赛的获胜算法。此外，我们将APLPSO应用于一个实际的大规模投资组合优化问题，以展示其应用可行性。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
.png){kind=icon}
Segment-Based Predominant Learning Swarm Optimizer for Large-Scale Optimization用于大规模优化的基于分段的优势学习群优化器
OAAI
OAAI分享收藏A Cluster-Based Competitive Particle Swarm Optimizer with a Sparse Truncation Operator for Multi-Objective Optimization基于聚类的稀疏截断竞争粒子群算法的多目标优化
PREAI
分享收藏Cooperative Co-Evolution With Differential Grouping for Large Scale Optimization面向大规模优化的差分分组协同进化算法
OAAI
OAAI分享收藏Automatic Niching Differential Evolution With Contour Prediction Approach for Multimodal Optimization Problems多模态优化问题的自动Niching差分进化与轮廓预测方法OAAI
OAAI分享收藏
查看更多内容