Learning-aided metaheuristic framework using radial basis function modeling

doi:10.1016/j.asoc.2026.116181

Learning-aided metaheuristic framework using radial basis function modeling

2026-08-01

0

PRE

AI

DOI：10.1016/j.asoc.2026.116181

原文链接

原文求助

摘要

En 中文

大多数元启发式算法（MAs）缺乏显式学习能力。尽管它们在迭代搜索过程中生成大量候选解，但通常仅依赖当前种群中包含的信息来指导搜索过程。虽然这种设计简化了实现，但由此产生的决策在很大程度上由随机策略驱动，阻碍了算法推断搜索景观的潜在拓扑结构。这种盲目行为增加了过早收敛的风险，降低了种群多样性，并常常导致搜索无前景区域。尽管已提出一些学习增强和代理辅助的MAs，但这些方法通常仅关注目标函数的近似。因此，它们在识别之前曾导致改进的方向、检测搜索空间中的有前景区域以及识别应避免的低性能区域方面的能力仍然有限。本文提出了一种新颖的学习辅助方法，该方法通过重用前次迭代的候选解来指导搜索策略，而无需近似目标函数。所提出的方法利用径向基函数（RBF）提取信息，以区分有前景和低质量搜索区域。为促进有效且多样的初始覆盖，种群使用MetropolisHastings（MH）算法初始化。在每一代中，使用一部分解来训练RBF。然后利用学习到的模型在搜索空间的局部有前景区域生成新的候选解。RBF和MH机制的使用增强了在复杂、高维和多模态搜索空间中的收敛性，避免了重复访问低质量区域。通过在低维和高维搜索空间中评估一组知名函数，将所提出方法的表现与几种最先进的MAs进行比较。结果表明，所提出的基于学习的策略在准确性和计算效率之间实现了优于其他方法的平衡。

Keyword:

Radial-basis function

Metaheuristics

Extracting Knowledge

Non-linear optimization

Machine learning

Learning-aided metaheuristic framework using radial basis function modeling

摘要

期刊

机构

引用论文