CEC2017
PulseAugur coverage of CEC2017 — every cluster mentioning CEC2017 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的CMDO算法使用认知记忆进行自适应搜索
研究人员推出了一种名为认知记忆驱动优化（CMDO）的新型优化算法。该算法通过将过去的搜索经验表示为上下文、行为和结果之间的关系来增强基于种群的搜索。CMDO将这些经验组织成不同的记忆类型，并利用它们来指导未来的搜索，不是通过重放过去的解决方案，而是通过重构搜索策略。在基准问题和光伏模型估计上的评估显示出具有竞争力的性能，CMDO表现出问题依赖的有效性，并根据累积的经验影响搜索行为的分布。
-
元学习优化器MeCO增强黑箱优化
研究人员开发了MeCO，这是一种新颖的元学习辅助优化器，旨在改进约束黑箱优化。MeCO集成了SHADE优化器和双深度Q网络控制器，以学习自适应松弛策略。这种方法允许控制器根据种群和约束特征选择松弛向量，从而能够有效地跨各种问题实例进行迁移，包括基准函数、高维问题以及无人机路径规划等现实世界工程任务。
-
新型MAAPO算法通过受生物启发的优化增强图像分割
研究人员开发了一种名为MAAPO的新型膜算法，该算法将人工原生质体优化器（APO）与膜计算框架相结合。该方法旨在增强复杂优化问题的种群多样性和搜索动态。增强的APO模型利用基于轮盘的适应度-距离平衡机制进行自适应参考点选择，从而改善了算法的探索-利用平衡。MAAPO在CEC2017测试套件上已证明其性能优于其他12种算法，并已成功应用于多阈值图像分割，在分割质量上优于现有方法。
-
MMAO框架在大规模实证评估中表现强劲
一篇新论文评估了代谢多智能体优化器（MMAO）框架，重点关注其在严格预算控制下的资源分配原则。该研究采用大规模实证协议，涵盖八个CEC2017函数和五个TSPLIB实例，并将MMAO与PSO-lite和迭代贪婪2-opt等基线进行比较。结果表明，MMAO在连续和路由基准测试中优于外部基线，其消融变体与完整方法相比表现更接近，而与外部竞争者相比则有较大差距。该研究验证了MMAO作为一个跨领域自适应框架，特别是在内源性资源再分配方面，并建…
-
Metabolic Multi-Agent Optimizer (MMAO) 框架在基准测试中得到验证
一篇新论文使用更严格的经验协议评估了代谢多智能体优化器 (MMAO) 框架。该研究在连续和离散基准测试（包括 CEC2017 函数和 TSPLIB 实例）上测试了 MMAO 的资源分配原则。结果表明，MMAO 在连续和路由任务上优于外部基线，突显了其在压力下内源性资源重新分配方面的优势。研究还呼吁更清晰的机制隔离和更广泛的竞赛级比较。
-
新的超椭球密度采样加速高维优化
一种名为超椭球密度采样（HDS）的新采样策略已被开发出来，以改进高维优化。HDS通过在搜索空间中定义超椭球来生成非均匀采样序列，利用无监督学习算法专注于统计上更有希望的区域。当使用差分进化在CEC2017基准函数上与Sobol等均匀QMC方法进行测试时，HDS在最终解的几何平均误差方面显示出统计学上的显著改进，性能提升范围从11%到37%，具体取决于维度。
-
新的 Bézier 游走演化框架通过自适应几何增强优化
研究人员推出了一种新颖的优化框架 Bézier Walk Evolution (BWE)，该框架使用由几何驱动的自适应轨迹构建。该方法将 Bézier 曲线与随机游走机制相结合，以平衡元启发式优化中的探索和利用。BWE 的自适应曲线阶数允许从广泛的全局搜索平滑过渡到集中的局部精炼，为传统的受自然启发的（优化）设计提供了一种可解释的替代方案。在基准函数和工程问题上的实验表明，与 L-SHADE 和 CMA-ES 等现有优化器相比，BWE…
-
新的MSC-CMA-ES算法通过面向结构的重启增强了优化能力
一篇新研究论文介绍了一种新颖的面向结构的重启策略MSC-CMA-ES，用于CMA-ES优化算法。与从搜索空间中均匀抽取重启的传统方法不同，MSC-CMA-ES将搜索空间划分为吸引盆，并使用局部缩放参数来启动重启。该方法在复合函数上表现出优越的性能，实现了BIPOP-CMA-ES目标覆盖率的2.7倍，并在基本函数上取得了最佳中值误差，但由于其侧重于景观发现，深度目标覆盖率有所降低。