.png){kind=icon}
返回
Failure-Aware Bidirectional Evolutionary Knowledge Assimilation with Dynamic Regulation for Adaptive Optimization
.png){kind=icon}
PRE
AI
DOI：10.3390/sym18060902.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在优化中，高效利用进化知识同时保持种群多样性仍是一个核心挑战。现有的知识学习进化算法主要依赖成功经验，忽略了失败搜索尝试中嵌入的结构信息。这种不对称学习限制了适应性，可能导致高维景观下的早熟收敛。为解决此问题，在蜜獾优化算法中开发了一种失败感知的双向进化知识同化框架。将不成功的子代视为负知识载体，并通过对称对抗反射进行转换，实现正负结构信息的同步提取。一种时间依赖的调节机制动态调整进化各阶段的知识同化强度，以平衡探索与开发。此外，连续变异谱转换策略自适应地整合柯西和高斯扰动，促进从全局探索到局部精炼的平滑迁移。在CEC 2017基准测试套件上的10、30和50维实验全面验证了所提出的框架，建立了一种新颖的失败感知双向进化学习范式，用于知识驱动的优化。结果表明，该方法相比经典基线算法实现了统计显著且一致的性能提升。此外，通过在焊接梁设计的实际约束工程问题上的成功应用，验证了其鲁棒性和跨领域适应性。
Keyword:
Honey Badger Algorithm
knowledge learning
opposite learning
adaptive mutation
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
An enhanced ant colony optimization algorithm for global path planning of deep-sea mining vehicles一种用于深海采矿车全局路径规划的改进蚁群优化算法
PREAI
分享收藏分享收藏Hybrid Aquila optimizer with arithmetic optimization algorithm for global optimization tasks具有全局优化任务的算术优化算法的混合Aquila优化器.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Differential evolution algorithm with ensemble of parameters and mutation strategies具有参数集成和变异策略的差分进化算法
PREAI
分享收藏
查看更多内容