.png){kind=icon}
返回
Enhancing Metaheuristic Algorithm Performance Through Structured Population and Evolutionary Game Theory
.png){kind=icon}
OA
AI
DOI：10.3390/math12233676.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多样性对元启发式算法至关重要。它可防止早期收敛，平衡探索与开发，并有助于避免局部最优。传统元启发式算法倾向于依赖单一策略生成新解，通常导致多样性不足。相比之下，采用多种策略可鼓励多样的搜索行为和潜在解池的多样性，从而提升搜索空间的探索效率。演化博弈论（EGT）通过竞争调整智能体的策略，促进成功策略并淘汰较弱策略。与无结构种群相比，结构化种群通过局部竞争保留多样化策略，这意味着个体的策略仅受种群中子集或群体的影响，而非所有元素。本文提出了一种基于EGT应用于结构化种群的新型元启发式方法。首先，利用Metropolis–Hastings算法将个体定位在最优区域附近。随后，为每个个体赋予独特的搜索策略。考虑一定数量的簇，将完整种群进行分割。在这些簇内，该方法通过簇内竞争调整所有策略，以提高搜索效率和解的质量。为评估所提方法的有效性，已将其与多种知名元启发式算法在30个测试函数上进行比较。结果表明，新方法优于现有技术，提供了更高质量的解和更快的收敛速度。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息