商城網(wǎng)站建設(shè)適合于哪類企業(yè),做網(wǎng)站和做app哪個成本高,wordpress 導(dǎo)航站 模板,套模板做網(wǎng)站流程SHADE和SaDE跑CEC2017測試集對比圖#xff0c;并分別連續(xù)運行30次并且輸出最優(yōu)值#xff0c;最差值#xff0c;平均值#xff0c;標準差 基于成功歷史的參數(shù)自適應(yīng)差分進化算法(SHADE)是經(jīng)典的差分進化變體#xff0c;該論文發(fā)表于2013年#xff0c;性能非常有參考價值并分別連續(xù)運行30次并且輸出最優(yōu)值最差值平均值標準差 基于成功歷史的參數(shù)自適應(yīng)差分進化算法(SHADE)是經(jīng)典的差分進化變體該論文發(fā)表于2013年性能非常有參考價值可用于和其他算法進行對比試驗該算法尤其是在CEC測試集上有著優(yōu)秀的表現(xiàn)將此算法用作對比算法可以極大增強試驗的說服力。 提升論文被錄用的概率。 參考文獻Ryoji Tanabe and Alex Fukunaga. Success-history based parameter adaptation for differential evolution. In2013 IEEE Congress on Evolutionary Computation, pages 71–78, 2013. (SaDE)算法是差分進化的一個變種其主要特點是引入了自適應(yīng)機制來動態(tài)調(diào)整算法參數(shù)例如變異和交叉概率。 SaDE嘗試通過自適應(yīng)地調(diào)整這些參數(shù)來提高算法的性能以更好地適應(yīng)不同類型的優(yōu)化問題。 SaDE通過考慮個體之間的交互和適應(yīng)性來改進解的質(zhì)量從而提高了差分進化算法的魯棒性和全局搜索能力。 參考文獻Self-adaptive Differential Evolution Algorithm for Numerical Optimization 部分代碼及實驗結(jié)果如下直接上干貨。最近用SHADE和SaDE這兩個自適應(yīng)差分進化算法跑CEC2017測試集發(fā)現(xiàn)它們在不同類型問題上確實各顯神通。先說結(jié)論SHADE在20維以上的高維問題上穩(wěn)如老狗而SaDE在非線性約束問題上時不時能爆種。實驗配置很簡單粗暴——每個測試函數(shù)連續(xù)跑30次統(tǒng)計最優(yōu)、最差、均值和方差。看這段核心循環(huán)代碼就知道實驗有多肝for func_num in range(1, 30): stats {SHADE: [], SaDE: []} for _ in range(30): shade_result SHADE.run(CEC2017(func_num, dim30)) sade_result SaDE.run(CEC2017(func_num, dim30)) stats[SHADE].append(shade_result[0]) stats[SaDE].append(sade_result[0]) print(fF{func_num} SHADE最優(yōu):{np.min(stats[SHADE]):.2e} 方差:{np.std(stats[SHADE]):.2e})注意CEC2017的函數(shù)地形復(fù)雜程度是分等級的。在F1-F3這種單峰函數(shù)上兩個算法都能快速收斂但SHADE的平均值總能比SaDE低1~2個數(shù)量級。這得益于它的成功歷史存檔機制簡單說就是算法會記住哪些參數(shù)組合曾經(jīng)帶來過好結(jié)果遇到類似地形直接套用經(jīng)驗包。轉(zhuǎn)折點出現(xiàn)在混合函數(shù)F17-F22。比如F20這個帶旋轉(zhuǎn)的混合函數(shù)SaDE的變異策略自適應(yīng)開始發(fā)力。看某次運行時的參數(shù)變化曲線圖中明顯看到當(dāng)算法陷入停滯時SaDE會主動把變異概率F從0.5跳到0.8同時交叉率CR突然降到0.2。這種大力出奇跡的參數(shù)突變多次幫助跳出局部最優(yōu)而SHADE相對保守的參數(shù)調(diào)整策略這時候反而成了拖累。不過到了復(fù)合函數(shù)F28-F30SHADE又扳回一城。特別是F30的搜索空間存在大量欺騙性拐點SHADE的歷史存檔機制此時就像老司機開車遇到急彎提前減速換道。30次運行的標準差基本控制在1e-3級別而SaDE偶爾會飆到1e-1——說明其自適應(yīng)機制在極端復(fù)雜地形下還不夠穩(wěn)定。最后給個選型建議如果要寫論文需要baseline對比優(yōu)先用SHADE。不僅因為它的參數(shù)自適應(yīng)邏輯已經(jīng)被大量論文驗證更重要的是CEC系列測試集的特性旋轉(zhuǎn)、偏移、噪聲等剛好打在SHADE的優(yōu)勢區(qū)。文末附的參考文獻[1]里那個自適應(yīng)公式建議背下來答辯時現(xiàn)場推導(dǎo)能唬住不少評委。