在大多数元启发式算法中,个体更新过程没有(充分)利用先前迭代中产生的个体信息。如果能够在后续的优化过程中充分利用这些有用信息,那么算法产生的可行解的质量将会大大提高。基于此,提出了一种重用先前个体可用信息用以指导后续搜索的方法。在该方法中,以前的有用信息被反馈到个体更新过程中,进而提出了六种信息反馈模型。在这些模型中,以固定或随机的方式选择先前迭代的个体,然后被选择个体的有用信息被应用于个体更新过程中。而后,基于基本算法产生的和被选择的个体,通过采用简单的适应度加权方法来产生新的个体。通过将六种不同的信息反馈模型应用于10种元启发式算法中,来产生新的算法并验证所提信息反馈模型的性能。实验表明,这些新算法在14个标准测试函数和10个CEC 2011现实世界问题上显著优于基本算法,进而证明了所提信息反馈模型的有效性。同时,信息反馈模型用于提高(超)多目标算法(如NSGA-II、NSGA-III和MOEA/D等)的性能,取得了良好的效果。具体安排如下:
报告题目:基于信息反馈模型的智能优化算法研究
主讲人:王改革、中国海洋大学教授
时间:2024年9月14日上午10:00-12:00
地点:教3楼411会议室
主讲人简介:
王改革,中国海洋大学,教授,主要致力于群体智能和智能制造等方面研究。主持国家自然科学基金等科研项目4项。获得省部级奖4项。入选2022、2021年科睿唯安“全球高被引学者”和爱思唯尔2020-2022“中国高被引学者”榜单;入选MDPI 2021最具影响力作者奖;入选全球前2%顶尖科学家榜单。1篇论文入选2019年“中国百篇最具影响国际学术论文”;位列2019年度Springer Nature中国学者高影响力论文-计算机科学领域榜首;1篇论文入选科技部+“精品期刊顶尖论文平台--领跑者5000”数据平台。担任IJAISC主编, Journal of Computational Design and Engineering、Mathematics和IJBIC等SCI期刊的副主编或编委。
计算机科学与技术学院
2024年9月13日