.png){kind=icon}
返回
RLDMGO: a reinforcement learning-driven hybrid framework for complex optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-026-01722-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
元启发式算法在复杂优化中具有有效性，但其性能常因依赖手动参数调整和刚性的探索-开发转换而受限，往往导致过早收敛。为解决这些挑战，我们提出了一种名为强化学习驱动的微分-苔藓生长优化器（RLDMGO）的混合框架。该方法采用Q学习控制器自适应调度微分进化（DE）机制进行全局探索，并使用基于苔藓生长优化（MGO）的算子进行局部开发。这种动态反馈驱动的协调有助于减少参数依赖并增强在多样化问题景观中的适应性。RLDMGO的性能在IEEE CEC2017基准测试套件上进行评估。包括Friedman检验在内的统计评估表明，RLDMGO在十四种评估的最先进算法中排名具有竞争力。为展示其实际应用性，二进制变体（bRLDMGO）被应用于12个公开数据集的特征选择，通常比七种二进制优化器产生更低的分类错误率和更小的特征子集。此外，RLDMGO被部署为自动神经架构搜索（NAS）引擎用于细胞牵引力计算。它优化了一个3D U-Net，将模型参数减少到2.47M，同时与现有深度学习模型相比保持有竞争力的预测精度。最终，本研究表明RLDMGO可作为复杂优化问题的可行且自适应的求解器。
Keyword:
Reinforcement learning
Differential evolution
Moss growth optimizer
Feature selection
Cellular traction force computation
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
暂无机构信息
引用论文
A boosted sine cosine algorithm with dimension learning-based search and terminal replacement mechanism for optimization and engineering applications一种基于维度学习搜索和终止替换机制的增强型正弦余弦算法，用于优化和工程应用
PREAI
分享收藏The Differentiated Creative Search (DCS): Leveraging differentiated knowledge-acquisition and creative realism to address complex optimization problems差异化创意搜索 (DCS): 利用差异化知识获取和创意现实性来解决复杂的优化问题
PREAI
分享收藏Schrödinger optimizer: A quantum duality-driven metaheuristic for stochastic optimization and engineering challenges薛定谔优化器：一种基于量子双性的元启发式算法，用于随机优化与工程挑战
PREAI
分享收藏U2-Net: Going deeper with nested U-structure for salient object detectionU2-Net: 基于嵌套U结构的显著性目标检测.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏Redefining urban mobility: Real-world regenerative braking optimization via bio-inspired AI for electric buses energy efficiency重新定义城市交通：基于仿生人工智能的电动公交车能量效率的实地再生制动优化Energy
EnergyIF9.4
PREAI
分享收藏
查看更多内容