基本信息
- 項目名稱：
- 大規(guī)模數(shù)值優(yōu)化中變量相關性學習的研究
- 小類：
- 信息技術
- 大類：
- 自然科學類學術論文
- 簡介：
- 大規(guī)模數(shù)值優(yōu)化在多個領域中有著廣泛的應用，然而目前尚未有通用的解決方法。為處理此類問題，本作品提出了變量相關性的數(shù)學形式化定義, 并在協(xié)同演化算法中首次引入了不犯第二類錯誤的變量相關性學習機制。實驗研究表明，新算法性能比最先進協(xié)同演化算法有了統(tǒng)計顯著的全面提升。申報者為一作的論文已被演化計算領域頂級會議PPSN’2010 接受，已由SCI、EI和ISTP 收錄，并被發(fā)明協(xié)同演化的美國研究小組引用。
- 詳細介紹：
- 大規(guī)模數(shù)值優(yōu)化在空中交通管理、傳感器網(wǎng)絡、工業(yè)設計等國民經(jīng)濟發(fā)展和工業(yè)建設的多個領域中有著廣泛的應用，然而目前尚不存在通用的有效解決方法。 為處理此類問題，本作品提出了變量相關性的數(shù)學形式化定義, 并以此位基礎，在協(xié)同演化算法中首次引入了不犯第二類錯誤的變量相關性學習機制?；趪H公認測試函數(shù)集的實驗研究結果表明，作品中介紹的變量相關性學習機制使得新的算法的性能比當前最先進的協(xié)同演化算法有了統(tǒng)計顯著的全面提升，并進一步闡明了變量相關性的學習在協(xié)同演化算法應用中的重要性。 本作品相關的論文已被演化計算領域的頂級會議PPSN’2010 接受，目前已被SCI、EI 和ISTP 權威檢索收錄。作者受邀在大會上作為唯一本科生做墻報報告，獲得國際同行的廣泛認可。目前已經(jīng)被發(fā)明協(xié)同演化的美國研究小組引用。
作品圖片
作品專業(yè)信息
撰寫目的和基本思路
- 隨著當今社會人口的飛速增長和交通網(wǎng)絡的發(fā)展，大規(guī)模數(shù)值優(yōu)化問題在工業(yè)生產(chǎn)和日常生活中不斷涌現(xiàn)。因為“維數(shù)災難”的存在，現(xiàn)有常規(guī)算法往往在大規(guī)模問題上失效。為解決該類難題，本作品國際首次提出變量相關性的數(shù)學定義，并引入了系統(tǒng)的變量相關性學習機制，同時結合分而治之的思想，成功設計了一種新穎的大規(guī)模數(shù)值優(yōu)化算法?；趪H公認測試集的研究結果表示，本作品算法性能是目前國際領先的。
科學性、先進性及獨特之處
- 本作品首次提出變量相關性的數(shù)學形式化定義，基于此堅實的理論基礎，在協(xié)同演化算法中首次引入不犯第二類錯誤的變量相關性學習機制，進而形成了一套新穎的二階段協(xié)同演化算法。在演化計算國際會議CEC'2010提供的標準測試集上，本作品算法是目前世界上已發(fā)表性能好的協(xié)同演化算法。與之前已存的先進協(xié)同演化算法DECC-G以及MLCC相比，在絕大部分測試函數(shù)上，CCVIL都有統(tǒng)計顯著的優(yōu)勢。
應用價值和現(xiàn)實意義
- 目前在社會生產(chǎn)生產(chǎn)生活的諸多項目中，因為牽涉到成千上萬個因素的影響，并且這些因素之間又同時存在復雜的耦合關系。常規(guī)方法往往依賴經(jīng)驗豐富的工程師花費大量時間精力制定策劃方案。但這樣的方案缺乏全局統(tǒng)一規(guī)劃，離理論最優(yōu)有較大差距。本作品智能分析相關性信息，結合協(xié)同演化算法之后可以高效的解決大規(guī)模數(shù)值優(yōu)化問題。本作品將推動相關眾多應用領域的發(fā)展，對優(yōu)化整合社會資源和提高工業(yè)生產(chǎn)效益都有深遠的影響。
學術論文摘要
- 近年來協(xié)同演化被認為解決高維優(yōu)化問題有前景的算法框架，其基本思想是，試圖探索問題的決策變量間的相關性信息，并據(jù)此將問題分解為多個子問題，每個子問題包含若干互不重疊的決策變量組，組與組之間相對獨立的進行優(yōu)化?；ゲ幌嚓P的變量可以被當做單獨的規(guī)模更小的子問題來進行優(yōu)化；而相關的變量則必須被分于同一組之中，一起優(yōu)化求解。早期研究工作采用的是簡單的、相對低效的分組策略，比如單維分組法和對半分組法。隨后，研究者提出了更高效、自適應的分組策略，例如DECC-G和MLCC。然而，現(xiàn)存的這些分組策略都是粗粒度的，不能夠適應不同的分組大小和保證分組的合理性。在本文中，我們提出了一個新穎、具有變量相關性學習能力、基于協(xié)同演化的算法框架（CCVIL）。CCVIL首先假設給定問題的所有變量都相互獨立，因而放于各不相同的分組之中。此后，CCVIL將采集變量相關的證據(jù)，一旦有足夠證據(jù)說明來自不同分組的兩個變量是相關的，則將變量所在的兩個分組合并。我們將使用大規(guī)模黑盒優(yōu)化的測試函數(shù)集來衡量新算法框架的性能。
獲獎情況
- "Large-Scale Global Optimization Using Cooperative Coevolution with Variable Interaction Learning", in 'Parallel Problem Solving from Nature, PPSN XI', 2010. 申請人為論文的第一作者及通訊作者。該論文被演化計算領域頂級國際會議——PPSN'2010接受，同時被SCI、EI和ISTP權威檢索。PPSN會議兩年一屆，是演化計算領域最早、享有盛譽的會議，第十一屆會議于2010年9月11日至2010年9月15日在波蘭克拉科夫舉辦。上屆會議于2008年在德國舉辦，中國大陸并沒有論文被接受。申請人作為唯一一名第一作者的本科生受邀在大會上做墻報報告，獲得國際同行的廣泛認可。目前論文已經(jīng)被發(fā)明協(xié)同演化的美國研究小組引用。
鑒定結果
- 論文錄用通知中譯本： 我們很高興通知您提交至PPSN’2010的論文已被接受并收錄至會議錄。因為我們收到了大量的論文提交，您的論文被接受是一項重大的成就！
參考文獻
- 一、PPSN國際會議評價參考 PPSN會議官方網(wǎng)站的錄用文章列表（本文序號為#66）： ~ppsn/accepted.php Springer官方網(wǎng)站里本論文的下載入口： 二、技術文獻目錄 Potter, M.A., De Jong, K.A.: Cooperative coevolution: architecture for evolving coadapted subcomponents. Evolutionary Computation 8(1) (2000) 1–29 Yang, Z., Tang, K., Yao, X.: Large scale evolutionary optimization using cooperative coevolution. Information Sciences 178(15) (2008) 2985–2999 Tang, K., Li, X., Suganthan, P.N., Yang, Z., Weise, T.: Benchmark functions for the CEC’2010 special session and competition on large scale global optimization. TR, NICAL, USTC, Hefei, Anhui, China (2009) Weicker, K., Weicker, N.: On the improvement of coevolutionary optimizers by learning variable interdependencies. In: IEEE CEC, IEEE Press (1999) 1627–1632
同類課題研究水平概述
- 演化算法在國內外已經(jīng)有了一定的研究基礎，其在低維問題上可行性和有效性已經(jīng)被廣泛證實與接受。然而隨著問題規(guī)模的增加，演化算法的性能往往出現(xiàn)明顯的下降。在實際工程應用中，大規(guī)模優(yōu)化有著廣泛的應用，例如大規(guī)模電力系統(tǒng)的設計，大規(guī)模維數(shù)的資源調度和大規(guī)模交通網(wǎng)絡的車輛調度問題。該類問題因此成為當前研究的一大熱點，美國電氣和電子工程師協(xié)會（IEEE）的計算智能分會還因此成立了大規(guī)模全局優(yōu)化的特別研究小組。過去5年內，國內外許多研究小組投入到對大規(guī)模數(shù)值優(yōu)化難題的攻克之中。這些研究主要集中于兩個方面： 設計更適合大規(guī)模優(yōu)化的算子：發(fā)展這類算子的原因在于，經(jīng)典的演化算法算子大多針對低維問題上所設計的。而在面對解空間復雜程度大大增加的高維問題時，它們的效果驟降，這種現(xiàn)象激發(fā)研究人員進行更有針對性的算子設計。這類方法將大規(guī)模黑盒優(yōu)化問題本身當成一個整體來進行優(yōu)化，并未分而治之的思想，故真正使得它們性能優(yōu)越的原因在于專門設計的算子。文獻[1]將一種專門針對大規(guī)模問題的自適應策引入差分演化（Differential Evolution）算法。針對大規(guī)模問題專門設計算子而得到的算法往往對問題的依賴性強，算法的可擴放能力有限。 [1] Brest, J., Zamuda, A., Fister, I. & Mauc?andec, M. Large scale global optimization using self-adaptive differential evolution algorithm. CEC 2010, pp. 1-8 結合協(xié)同演化算法，采用分而治之的思想。在采用協(xié)同演化算法解決大規(guī)模問題時，如何合理分組使得各組之間不存在相互依賴關系便成為了關鍵問題。文獻[2]通過函數(shù)值提升的大小估計可能的變量相關性。 [2] Omidvar, M.N., Li, X. & Yao, X. Cooperative Co-evolution with delta grouping for large scale non-separable function optimization. CEC 2010, pp. 1-8
