.png){kind=icon}
返回
Distributed Data-Driven Evolutionary Optimization With Surrogate Ensemble Strategies
.png){kind=icon}
PRE
AI
DOI：10.1109/tetci.2026.3683108.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
代理辅助进化算法（SAEAs）已作为解决数据驱动优化问题（DOPs）的有效方案出现。然而，由于分布式数据场景的广泛存在，分布式DOPs的出现促进了分布式SAEAs的发展。分布式SAEAs面临各节点独立基于观测数据构建局部模型的挑战，这加剧了进化协调的复杂性。为应对此挑战，我们提出了一种新颖的代理模型集成框架，旨在有效引导分布式节点间的进化过程并提升分布式SAEAs的性能。该框架包含两个主要组成部分：自适应提升代理训练策略（AdaSurrogate, AS）和自适应模型聚合策略（AdaAggregation, AA）。AS动态调整边缘客户端上代理模型的样本权重，旨在提高局部代理模型的精度。AA跨轮次聚合不同客户端模型，旨在提升全局代理模型的精度及其对分布式数据异构性的适应性。AS和AA被应用于改进现有的先进分布式SAEA——边缘-云协同进化算法（ECCoEA），从而得到ECCoEA-ASAA。实验表明，ECCoEA-ASAA不仅在独立同分布（i.i.d.）和非独立同分布（non-i.i.d.）场景下均对原始ECCoEA表现出显著改进，还在非独立同分布场景下超越了部分当前最先进的SAEAs。此外，还进行了消融研究以证明和分析AS和AA在提升分布式SAEAs性能方面的有效性。
Keyword:
Data-driven optimization
distributed optimization
surrogate-assisted evolutionary algorithm
ensemble learning
期刊
I
IF:
6.5
论文数:
1.4K
被引数:
4.5K
机构
引用论文
.png){kind=icon}
查看更多内容