现实世界中的优化问题往往具有较高的复杂度和维数,称为LSGO问题,即Large-Scale Global Optimization。
此问题在各个领域的研究工作中都引起了极大的兴趣。许多科学和工程应用程序被表述为LSGO问题,如设计大型电子系统,大量资源的调度问题,大规模交通中的车辆,路由问题网络,生物信息学中的基因识别,逆问题,化学动力学等。在过去的十年里,大量的元启发式为了显著提高处理算法的性能,开发了算法或改进算法LSGO问题。
下表是常见的处理LSGO问题的算法与技术:
下面列出了LSGO问题的挑战:
(1)搜索空间随着决策变量的数量呈指数增长;
(2)元启发式算法通常的需要的计算代价太大(维度多,时间长);
(3)基于分治思想的CC方法需要研究变量的交互性(关联性);
(4)高维特征的冗余性与不相关性较大(irrelevant and redundant)会降低算法的效率和性能。
以上问题导致了大多数解决大规模问题的算法在超过1000D的数据上效果很差。
参考文献:Mahdavi S, Shiri M E, Rahnamayan S. Metaheuristics in large-scale global continues optimization: A survey[J]. Information Sciences, 2015, 295: 407-428.
更多内容访问omegaxyz.com
网站所有代码采用Apache 2.0授权
网站文章采用知识共享许可协议BY-NC-SA4.0授权
© 2018-2020 • OmegaXYZ-版权所有 转载请注明出处
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)