.png){kind=icon}
返回
Broad reinforcement learning based adaptive state transition algorithm for global optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2025.102038.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
状态转移算法（STA）是一种高效的智能优化方法，在多种应用中具有优越的搜索能力，但其关键算子选择策略依赖于手动设计。深度强化学习（DRL）与STA的融合为优化过程中的自适应选择策略提供了有前景的范式。然而，传统的DRL方法需要大量的训练数据和迭代模型精炼，这在评估预算有限的情况下构成了根本性障碍。因此，本文提出了一种新颖的STA框架，整合了广度强化学习，以开发自适应算子选择机制。首先，将选择策略表述为马尔可夫决策过程，其中智能体根据实时状态学习识别最优算子。具体而言，通过基于种群信息的系统景观分析来表征环境状态。其次，广度学习系统取代了DRL框架中的神经网络。相关增量学习机制经过精心设计以提升训练效率。第三，提出了基于高斯混合模型的数据增强机制，以在有限的交互下生成充足的训练样本。该方法通过基准函数和实际应用进行评估，并与STA变体及其他杰出优化算法进行比较。实验结果表明，BRL-STA在性能上与竞争方法具有竞争力。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
A reinforcement learning based artificial bee colony algorithm with application in robot path planning基于强化学习的人工蜂群算法及其在机器人路径规划中的应用
PREAI
分享收藏A differential evolution with autonomous strategy selection and its application in remote sensing image denoising具有自主策略选择的差分进化算法及其在遥感图像去噪中的应用
PREAI
分享收藏
Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏A dynamic state transition algorithm with application to sensor network localizationNEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
查看更多内容