.png){kind=icon}
返回
Neural Network-Aided Differential Evolution With Double Q-Learning for Dynamic Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSS.2026.3664664.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着搜索空间及其最优解随时间变化，动态优化问题（DOPs）带来了巨大的困难。DOPs的变化通常表现为多样的动态特性。因此，调节个体的搜索以适应多样动态特性对于解决DOPs至关重要。此外，由于动态优化算法（DOAs）本身具有种群特性，全局和局部多样性的丧失是影响DOAs性能的关键问题。面对这些困难，本文提出了一种基于神经网络的差分进化算法结合双重Q学习（NNDE-DQ），其中设计了一个进化调节网络（ERN）以维持长期的高全局和局部多样性，并调节个体的搜索以适应多样动态特性。NNDE-DQ首先将搜索空间划分为多个子空间，并在每个子空间中选择距离较远的个体作为ERN隐藏节点的中心，这些节点通过径向基函数激活。每个输入个体使用来自不同子空间的两个随机选择的隐藏节点中心作为差分个体进行变异，由于种群中差异极大的差分项，有助于维持高全局多样性。此外，每个变异个体从其所在子空间选择一个隐藏节点中心进行交叉操作。由于每个子空间中隐藏节点中心之间的距离较远，个体的交叉操作可以维持高局部多样性。同时，引入双重Q学习（DQ）通过交互式估计个体的状态-动作信息来获取ERN的期望输出，使ERN能够学习在动态环境中调节个体搜索的策略，从而适应多样动态特性。实验结果表明，与七种先进的DOAs相比，NNDE-DQ在解决各种DOPs方面显著提升了性能。
Keyword:
Differential evolution (DE)
dynamic optimization
neural network
Q-learning
期刊
IF:
4.9
论文数:
622
被引数:
6.8K
机构
引用论文
.png){kind=icon}
A novel hybrid optimization algorithm: Dynamic hybrid optimization algorithm一种新的混合优化算法: 动态混合优化算法
PREAI
分享收藏
A Novel Dynamic Multiobjective Optimization Algorithm With Hierarchical Response System一种基于分层响应系统的新型动态多目标优化算法
PREAI
分享收藏Q-Learning-Based Hyperheuristic Evolutionary Algorithm for Dynamic Task Allocation of Crowdsensing
PREAI
分享收藏
A Differential Evolution Algorithm With Adaptive Niching and K-Means Operation for Data Clustering基于自适应Niching和k-means运算的差分进化数据聚类算法
PREAI
分享收藏
查看更多内容