.png){kind=icon}
返回
Random Matrix-Based Particle Swarm Optimization for Large-Scale Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/tbdata.2026.3679582.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大规模优化问题（LSOPs）在数据时代日益受到关注。近期，基于矩阵的进化计算（MEC）被提出作为一种新的框架，用于在短时间内解决LSOPs。然而，与对应的经典非矩阵进化计算（EC）算法相比，MEC尚未本质上提升其问题求解能力或收敛速度。因此，如何在保持其快速计算速度（即短运行时间）优势的同时增强MEC的问题求解能力和收敛速度，已成为一个重要的研究课题。基于此，本文提出了一种新颖的基于随机矩阵的粒子群优化（RMPSO）算法，并包含两项创新设计。首先，提出了一种基于随机矩阵的学习策略，使每个粒子能够通过利用随机矩阵向其优势粒子学习。因此，RMPSO能够有效提升粒子的全局搜索效率以增强问题求解能力，同时保持快速计算速度。其次，基于动态系统理论，提出了一种基于矩阵的知识和数据驱动分析策略，用于分析RMPSO的算法收敛性，并帮助配置其参数以实现快速收敛速度。为评估所提出的RMPSO，进行了大量实验，使用了20个LSOPs，包括12个可扩展问题（最高达10,000维）以及最新IEEE CEC大规模全局优化竞赛中使用的所有8个多模态LSOPs。实验结果表明，RMPSO在性能上优于对比的最先进算法，包括LSGO竞赛的冠军算法，尤其在具有多个局部最优解的LSOPs上表现突出。
Keyword:
Large-scale optimization problem
matrix-based evolutionary computation
particle swarm optimization
Big Data
期刊
I
IF:
5.7
论文数:
887
被引数:
3.0K
机构
引用论文
.png){kind=icon}
INFO: An efficient optimization algorithm based on weighted mean of vectorsINFO: 一种基于向量加权均值的高效优化算法
PREAI
分享收藏Efficient Secure Outsourcing of Large-Scale Convex Separable Programming for Big Data面向大数据的大规模凸可分规划高效安全外包
PREAI
分享收藏分享收藏A Meta-Knowledge Transfer-Based Differential Evolution for Multitask Optimization基于元知识转移的差分进化多任务优化算法
OAAI
OAAI分享收藏
查看更多内容