.png){kind=icon}
返回
Interpolation guided optimization and composite grouping method for large-scale problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06454-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模全局优化（LSGO）问题由于高维性、复杂变量交互和未知搜索景观而带来显著挑战。为解决这些挑战，提出了一种插值引导优化与复合分组方法（IGOCG）。首先，设计了一种基于二次插值的搜索方法（QI搜索），以维度方式探索景观，不仅扫描搜索空间，还收集各维度（决策变量）的性能信息。该QI搜索方法通过快速检测优势区域并逐步压缩搜索空间，收集并提取各维度的变量改进信息。其次，为对完全不可分的大规模问题进行合理分解，提出了一种复合分组方法。为使分解更具适应性和多样性，设计了四种不同的分组（分解）策略，即基于四分位数的层次分组、基于聚类的混合分组、变异性分组和扩展分组。通过分解大规模问题，搜索空间和优化复杂性得以降低，从而能更高效地获得更优结果。在两个广泛使用的基准测试套件上进行了大量实验，并与当前最先进的大规模全局优化算法进行比较。结果表明，所提出的算法实现了具有竞争力的性能，验证了其在解决大规模问题中的有效性和效率。
Keyword:
Large-scale optimization
Problem decomposition
Quadratic interpolation search
Composite grouping
期刊
C
IF:
4.1
论文数:
5.1K
被引数:
7.5K
机构
引用论文
分享收藏A Modified Differential Evolution With Distance-based Selection for Continuous Optimization in Presence of Noise.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Multispace Evolutionary Search for Large-Scale Optimization With Applications to Recommender Systems
PREAI
分享收藏
查看更多内容