论文解读:自适应参数控制方案介绍——Effect Assessment

2023-05-16

Adaptive Probabilities of Crossover and Mutation in Genetic Algorithms, TCYB, 1994

  • 动机
  • 自适应 p c p_c pc p m p_m pm方案设计
  • 参考文献

动机

当优化多模态问题时,探索(exploration)和探测(exploitation)对于GA是至关重要的。二者之间的平衡取决于变异概率( p m p_m pm),交叉概率( p c p_c pc),以及所使用的交叉操作类型。提高 p m p_m pm p c p_c pc的值可以促进算法的探索能力却以牺牲探测性能为代价。在实际应用GA时,通常设定 p c p_c pc [ 0.5 − 1.0 ] [0.5-1.0] [0.51.0]范围内的较大值,设定 p m p_m pm [ 0.001 − 0.05 ] [0.001-0.05] [0.0010.05]范围内的较小值。与固定参数方法不同,本文通过提出一种自适应 p c p_c pc p m p_m pm控制方法实现了探索和探测的平衡。具体来说,当种群趋于局部最优值时,提高 p c p_c pc p m p_m pm的值,而当种群广泛分布于解空间时,降低 p c p_c pc p m p_m pm的值。

自适应 p c p_c pc p m p_m pm方案设计

首先,参数控制器应该具备这样一种能力:识别GA是否收敛到了一个最优值。

一个可行的方法是观察种群的平均适应度值 f ˉ \bar{f} fˉ 与种群的最大适应度值 f m a x f_{max} fmax 的关系。从Fig. 2中可以看到,当GA收敛到局部最优值 0.5 0.5 0.5时,差值 f m a x − f ˉ f_{max}-\bar{f} fmaxfˉ开始下降。
在这里插入图片描述
因此,我们可以将 f m a x − f ˉ f_{max}-\bar{f} fmaxfˉ作为识别GA收敛性的准绳,即, p c p_c pc p m p_m pm的值根据 f m a x − f ˉ f_{max}-\bar{f} fmaxfˉ值的变化而变化。具体的参数控制规则描述如下:
p c = k 1 / ( f m a x − f ˉ ) , p_c = k_1/(f_{max} - \bar{f}), pc=k1/(fmaxfˉ),
p m = k 2 / ( f m a x − f ˉ ) . p_m = k_2/(f_{max} - \bar{f}). pm=k2/(fmaxfˉ).

值得一提的是,上面的表达式不依赖于任何特定解的适应度值,而对于种群中的所有解具有相同的值。也就是说,具有高适应度值的解和低适应度值的解受到相同水平的变异和交叉操作。这样就导致当种群收敛到全局最优解(甚至局部最优解)时, p c p_c pc p m p_m pm会增加,并可能导致接近最优解时出现扰动,种群可能永远不会收敛到全局最优值。

为了解决这个问题,有必要保护“好的”解。这可以通过让适应度高的解获得较低的 p c p_c pc p m p_m pm,而让适应度低的解获得较高的 p c p_c pc p m p_m pm来实现。也就是说, p m p_m pm的值不仅基于 f m a x − f ˉ f_{max}-\bar{f} fmaxfˉ,也基于解的适应度值 f f f 。相似地, p c p_c pc应该基于两个父解的适应度值。因此,可将 p c p_c pc p m p_m pm进一步地表示为:
p c = k 1 ( f m a x − f ′ ) / ( f m a x − f ˉ ) , p_c = k_1(f_{max}-f')/(f_{max} - \bar{f}), pc=k1(fmaxf)/(fmaxfˉ),
p m = k 2 ( f m a x − f ) / ( f m a x − f ˉ ) . p_m = k_2(f_{max}-f)/(f_{max} - \bar{f}). pm=k2(fmaxf)/(fmaxfˉ).
其中, f ′ f' f为参与交叉操作的父解中较大的适应度值。这里,为了将 p c p_c pc p m p_m pm限制在[0.0-1.0]范围内,规定 k 1 , k 2 < 1.0 k_1, k_2<1.0 k1,k2<1.0。同时
p c = k 3 , f ′ ≤ f ˉ p_c=k_3, f'\leq\bar{f} pc=k3,ffˉ
p m = k 4 , f ≤ f ˉ p_m=k_4, f\leq\bar{f} pm=k4,ffˉ
其中, k 3 , k 4 < 1.0 k_3, k_4<1.0 k3,k4<1.0

参考文献

[1]. M. Srinivas and Lalit M. Patnaik, ‘‘Adaptive probabilities of crossover and mutation in genetic algorithms,’’ IEEE Transactions on Systems, Man, and Cybernetics, vol. 24, no. 4, pp. 656-667, 1994.

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@)

论文解读:自适应参数控制方案介绍——Effect Assessment 的相关文章

  • C warning:statement with no effect [-Wunused-va...

    2019独角兽企业重金招聘Python工程师标准 gt gt gt 之前做毕设的时候 xff08 4 5月份的时候了 xff09 初步了解了SLEPc库的使用 xff0c 准备把一个示例改写为从一个文本文件中获取矩阵的各个元素 xff0c
  • R-CNN论文解读

    背景 R CNN Regions with CNN features 这篇论文是在2014年CVPR的论文 xff0c 在此之前目标检测并未使用基于深度学习的方法 xff0c 主流的目标检测思路还是基于传统的目标检测方法 SIFT HOG等
  • 无人机集群任务规划方法研究综述&论文解读

    无人机集群任务规划方法研究综述 amp 论文解读 参考文献引言 任务规划理论模型 xff1a 分布式任务规划理论分布式智能规划方法的出现 xff1a 无人机集群应用的核心技术集中式 xff1a 分布式集散式 基于逻辑与规则的多无人机任务规划
  • 从数据分布的角度提高对抗样本的可迁移性

    1 引言 对抗迁移性攻击一般是先通过代理模型生成对抗样本 然后将该样本迁移到其它黑盒模型中进行攻击 对抗迁移性的根本原因目前仍有待于探究 以前的工作主要从模型的角度探讨原因 例如决策边界 模型架构和模型容量等 在该论文中 作者从数据分布的角
  • centernet(cornernet)中通过高斯核函数画热点图时 高斯半径的确定及 改进成椭圆高斯图

    为什么采用二维的高斯核 参考https zhuanlan zhihu com p 96856635 其中原因解释合理 但公式推导有待商榷 在设置GT box的heat map的时候 我们不能仅仅只在top left bottom right
  • policy gradient详解(附代码)

    1 引言 policy gradient是强化学习中一种基于概率策略的方法 智能体通过与环境的交互获得特定时刻的状态信息 并直接给出下一步要采取各种动作的概率 然后根据该状态动作的策略分布采取下一步的行动 所以每种动作都有可能被选中 只是选
  • Salient Obejct Detection(SOD)综述

    论文链接 https arxiv org abs 2008 00230 仓库链接 https github com taozh2017 RGBD SODsurvey 介绍 显著目标检测 Salient Obejct Detection 是模
  • 实例分割模型Mask R-CNN详解:从R-CNN,Fast R-CNN,Faster R-CNN再到Mask R-CNN

    Mask R CNN是ICCV 2017的best paper 彰显了机器学习计算机视觉领域在2017年的最新成果 在机器学习2017年的最新发展中 单任务的网络结构已经逐渐不再引人瞩目 取而代之的是集成 复杂 一石多鸟的多任务网络模型 M
  • 论文解读:Factuality Enhanced Language Models for Open-Ended Text Generation

    论文解读 Factuality Enhanced Language Models for Open Ended Text Generation Github https github com nayeon7lee FactualityPro
  • 元代理模型可迁移对抗攻击

    1 引言 该论文是关于黑盒攻击可迁移性的文章 在当前大量的研究中 许多方法直接攻击代理模型并获得的可迁移性的对抗样本来欺骗目标模型 但由于代理模型和目标模型之间的不匹配 使得它们的攻击效果受到局限 在该论文中 作者从一个新颖的角度解决了这个
  • 目标跟踪整理(1)之MOSSE

    之前读过一遍MOSSE了 读完还是有一种懵懵的感觉 最近还需要入基于相关滤波的目标跟踪的坑 所以又屁颠屁颠跑来深入理解一下 毕竟是相关滤波的始祖啊 Visual Object Tracking using Adaptive Correlat
  • ST-GCN 论文解读

    论文 基于骨骼动作识别的时空图卷积网络 摘要 主要贡献 ST GCN 基于图的动态骨骼建模通用公式 1 骨架图构建 1 1 节点集 V V V 1 2 边集
  • 【人体姿态】Convolutional Pose Machines

    Wei Shih En et al Convolutional Pose Machines CVPR 2016 本论文将深度学习应用于人体姿态分析 同时用卷积图层表达纹理信息和空间信息 目前在2016年的MPII竞赛中名列前茅 作者在git
  • Open-Set Object Detection and Discovery (OSODD)

    最近因为工程需要 就去调研一下 open set detection 算法 然后发现一篇不错的论文 Towards Open Set Object Detection and Discovery 论文使用了额外的 memory 来当做网络的
  • 如何在 C# 中对位图图像应用模糊效果? [关闭]

    Closed 这个问题需要多问focused 目前不接受答案 如何在不使用库的情况下在 C 中对图像应用模糊效果 更新的代码 现在更快 需要使用 UNSAFE 关键字 static void Main string args Bitmap
  • 模糊效果 CSS3 Firefox(linux)

    如果用户未注册 我试图在我的相册上获得模糊效果 我明白了 但仅限于 chrome 在我的 Firefox 14 0 1 linux 中我无法让它工作 我的html模板 我在django下开发 h2 Gallerie h2 ul class
  • WebGL绘制带深度图的2D图像实现伪3D效果

    我正在学习 WebGL 是在 WebGLFundamentals 页面的帮助下完成的 这帮助我很好地理解了缓冲区 着色器和所有这些东西的工作原理 但现在我想达到我在这里看到的某种效果 https tympanus net Tutorials
  • 如何为文本框添加效果到样式

    我试图向样式添加效果以便重用它 但由于某种原因它不起作用
  • 在位图android上添加水效果

    如何在位图图像中添加水波 我在这里发现了触摸事件的水波纹效果 https github com esteewhy whater https github com esteewhy whater但无法在我的单个位图上实现 谁能帮忙在我的位图上
  • 我可以在 jQuery 中为每个动画步骤实现回调吗?

    我想在我的网站中实现一个动画 需要更新多个 DOM 元素 每个 DOM 元素都有自己的动画路径 取决于它们的位置 并且仍然有缓和的效果 如果我为每个元素调用 jQuery 的 animate 函数 队列 false 它将使每个元素与其余元素

随机推荐

  • 如何在 Ubuntu 20.04 启用 SSH

    本文最先发布在 xff1a https www itcoder tech posts how to enable ssh on ubuntu 20 04 Secure Shell SSH 是一个网络协议 xff0c 它主要被用来加密客户端和
  • 如何在 Ubuntu 20.04 上安装 Vagrant

    本文最先发布在 xff1a https www itcoder tech posts how to install vagrant on ubuntu 20 04 Vagrant是一个命令行工具 xff0c 用于构建和管理虚拟开发环境 默认
  • 如何在 Ubuntu 20.04 上安装 GCC(build-essential)

    本文最先发布在 xff1a https www itcoder tech posts how to install gcc on ubuntu 20 04 GNU 编译器集合是一系列用于语言开发的编译器和库的集合 xff0c 包括 C C
  • 如何在 Ubuntu 20.04 上安装和配置 Redis

    本文最先发布在 xff1a https www itcoder tech posts how to install and configure redis on ubuntu 20 04 Redis 是一个开源的在内存存储键值对数据的存储程
  • 如何在 Ubuntu 20.04 上安装 PHP

    本文最先发布在 xff1a https www itcoder tech posts how to install php on ubuntu 20 04 PHP 是世界上使用广泛的服务端编程语言之一 很多著名的 CMS 和框架 xff0c
  • 用python轻松完成一个分布式事务TCC,保姆级教程

    什么是分布式事务 xff1f 银行跨行转账业务是一个典型分布式事务场景 xff0c 假设A需要跨行转账给B xff0c 那么就涉及两个银行的数据 xff0c 无法通过一个数据库的本地事务保证转账的ACID xff0c 只能够通过分布式事务来
  • 如何在 Ubuntu 20.04 上安装 Spotify

    本文最先发布在 xff1a https www itcoder tech posts how to install spotify on ubuntu 20 04 Spotify是一个音乐流媒体服务商 xff0c 它可以让你和无数的歌曲亲密
  • SSH 操作实践指南

    本文最先发布在 xff1a https www itcoder tech posts ssh practice SSH 是我们经常要和远程服务器交互使用的工具 下面是一些实践中总结的 SSH 操作经验 xff1a 一 如何选择 SSH ke
  • 如何在 Ubuntu 20.04 上安装 R

    本文最先发布在 xff1a https www itcoder tech posts how to install r on ubuntu 20 04 R 是一门开源编程语言和自由的环境 xff0c 主要用于统计分析 绘图 它由 R 基金会
  • 如何在 Ubuntu 20.04 上安装 Mono

    本文最先发布在 xff1a https www itcoder tech posts how to install mono on ubuntu 20 04 Mono 是一个平台 xff0c 基于 ECMA ISO 标准 xff0c 用于开
  • 如何在 Ubuntu 20.04 上安装和使用 Composer

    本文最先发布在 xff1a https www itcoder tech posts how to install and use composer on ubuntu 20 04 Composer 是一个 PHP 依赖管理器 xff08
  • 3分钟在线开通优惠费率的微信支付商户号(商户收款码)

    1 问 xff1a 为什么要开通微信商户号 xff1f 答 xff1a 因为微信个人收款 xff0c 不支持信用卡支付 xff0c 无法提供经营报表 xff0c 无法支持线上支付等 关于微信个人收款码与商家码区别 xff0c 参考 xff1
  • 设置git使用vimdiff比较差异

    原文 xff1a http hi baidu com drdr blog item 57de1e95665a81047af48062 html 修改git的如下2条配置 xff1a git config global diff tool v
  • YUV图像格式

    原文 xff1a http blog csdn net zhongnanjun 3 article details 3934938 YUV xff08 亦称YCrCb xff09 是被欧洲电视系统所采用的一种颜色编码方法 xff08 属于P
  • mime types 大全--来自ubuntu /etc/mime.types

    MIME TYPES and the extensions that represent them The format of this file is a MIME type on the left and zero or more fi
  • VUE3中运用axios处理后端数据

    xff08 1 xff09 在src下新建一个http文件夹 xff0c 文件夹下新建一个index js xff08 2 xff09 在index js文件中引入axios xff08 3 xff09 在index js里面写axios实
  • leveldb性能调优

    许多的nosql都使用leveldb或者类似leveldb的系统作为存储引擎 xff0c 例如tair xff0c hbase xff0c canssandra xff0c 因此理解并调优存储引擎可以大大的提高系统的性能 前一篇大致介绍了原
  • Android 重启 不开机 Backtrace 分析

    此文摘自 mtk online Android 在发生crash 时可以通过 backtrace 定位发生的的位置 xff0c 方便进一步来 fix issue 1 Java Backtrace 从Java Backtrace 我们可以知道
  • SQL Server 2016 OPENJSON忽略大小写

    使用WITH子句OPENJSON将输入JSON表达式中的键与该WITH子句中的列名进行匹配 xff0c 是区分大小写 xff0c 可以使用条件聚合以忽略大小写 xff1a DECLARE 64 JSON varchar max 61 39
  • 论文解读:自适应参数控制方案介绍——Effect Assessment

    Adaptive Probabilities of Crossover and Mutation in Genetic Algorithms TCYB 1994 动机自适应 p c p c