.png){kind=icon}
返回
Mega-scale evolutionary optimization: The Descent Direction Distribution algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102454.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模黑箱优化传统上处理变量数量最多为10^3-10^4的问题，其中许多进化算法表现出超线性时间或内存复杂度。然而，新兴的兆规模场景要求在严格计算约束下进行无导数优化，变量数量可达10^6。我们引入了下降方向分布（DDD）算法，这是一种为兆规模连续优化设计的分布估计算法，具有O(9^n)的时间与内存复杂度以及恒定种群规模。DDD结合了对角探索模型和一维投影模型，通过最小二乘回归估计下降方向，在保持严格线性可扩展性的同时保留了方向搜索能力。此外，DDD包含一个自适应停滞检测机制，可在不要求预热阶段的情况下缓解早熟收敛。一项广泛的实验研究，包括从10^3到10^6变量的可分离和非可分离基准函数，将DDD与LMMAES、LSHADE和NLSHADE-RPS进行了比较。结果表明，DDD在有限评估预算的超高维场景下表现出稳定的可扩展性和具有竞争力的（通常更优的）性能。这些发现表明，在兆规模黑箱设置下实现严格线性复杂度的进化优化既可行又具有实际效果。
Keyword:
Evolutionary algorithm
Directional search
Variance direction
Ultra-high-dimensional black-box optimization
Large scale optimization
