Differential evolution with hybrid

Differential evolution with hybrid linkage crossover

In the field of evolutionary algorithms (EAs), differential evolution (DE) has been the subject
of much attention due to its strong global optimization capability and simple implementation.
However, in most DE algorithms, crossover operator often ignores the
consideration of interactions between pairs of variables. That is, DE is linkage-blind, and
the problem-specific linkages are not utilized effectively to guide the search process.
Furthermore, linkage learning techniques have been verified to play an important role in
EA optimization. Therefore, to alleviate the drawback of linkage-blind in DE and enhance
its performance, a novel linkage utilization technique, called hybrid linkage crossover
(HLX), is proposed in this study. HLX utilizes the perturbation-based method to automatically
extract the linkage information of a specific problem and then uses the linkage information
to guide the crossover process. By incorporating HLX into DE, the resulting
algorithm, named HLXDE, is presented. In order to evaluate the effectiveness of HLXDE,
HLX is incorporated into six original DE algorithms, as well as several advanced DE variants.
Experimental results demonstrate the high performance of HLX for the DE algorithms
studied.
2015 Elsevier Inc. All rights reserved.

ผลลัพธ์ (ไทย) 1:

วิวัฒนาการที่แตกต่างกับแบบผสมผสานเชื่อมโยงไขว้ในอัลกอริทึมเชิงวิวัฒนาการ (EAs), วิวัฒนาการที่แตกต่าง (DE) ได้รับเรื่องความสนใจมากเป็นความสามารถในการเพิ่มประสิทธิภาพส่วนกลางแข็งแกร่งและใช้งานง่ายอย่างไรก็ตาม ในส่วนใหญ่เดออัลกอริทึม ไขว้ตัวมักละเว้นการพิจารณาระหว่างคู่ของตัวแปร นั่นคือ เดอคือการเชื่อมโยงคนตาบอด และลิงค์เฉพาะปัญหาไม่ได้ถูกนำมาใช้ได้อย่างมีประสิทธิภาพเพื่อเป็นแนวทางการค้นหานอกจากนี้ ได้รับการตรวจสอบเชื่อมโยงเรียนรู้เทคนิคการเล่นมีบทบาทสำคัญในประสิทธิภาพสูงสุดของ EA ดังนั้น เพื่อลดข้อเสียเปรียบของคนตาบอดความเชื่อมโยงใน DE และเพิ่มประสิทธิภาพการทำงาน เทคนิคการใช้ประโยชน์เชื่อมโยงนวนิยาย เรียกว่าไฮบริเชื่อมโยงไขว้(HLX), มีการนำเสนอในการศึกษานี้ HLX ใช้วิธีใช้ perturbation ไปโดยอัตโนมัติดึงข้อมูลความเชื่อมโยงของปัญหาที่เฉพาะเจาะจง และใช้ข้อมูลการเชื่อมโยงคู่มือกระบวนการไขว้ โดยเพจ HLX เป็นเดอ เกิดการนำเสนอขั้นตอนวิธี ชื่อ HLXDE เพื่อประเมินประสิทธิภาพของ HLXDEHLX จะรวมอยู่ในหกเดิมเดออัลกอริทึม เป็นตัวแปร DE ขั้นสูงรวมถึงผลการทดลองแสดงให้เห็นถึงประสิทธิภาพสูงของ HLX สำหรับอัลกอริทึมเดอศึกษา 2015 Elsevier อิงค์ สงวนลิขสิทธิ์ทั้งหมด

ผลลัพธ์ (ไทย) 2:

วิวัฒนาการแตกต่างกับครอสโอเวอร์เชื่อมโยงไฮบริดในสาขาของขั้นตอนวิธีวิวัฒนาการ (EAs) แตกต่างวิวัฒนาการ (DE) ได้รับเรื่องของความสนใจมากเนื่องจากความสามารถในการเพิ่มประสิทธิภาพระดับโลกที่แข็งแกร่งและการดำเนินงานที่เรียบง่าย. แต่ในที่สุดขั้นตอนวิธีการ DE, ผู้ประกอบการครอสโอเวอร์มักจะไม่สนใจการพิจารณาของการมีปฏิสัมพันธ์ระหว่างคู่ของตัวแปร นั่นคือการเชื่อมโยงเป็น DE-blind และเชื่อมโยงปัญหาเฉพาะที่ไม่ได้ใช้ประโยชน์อย่างมีประสิทธิภาพเพื่อเป็นแนวทางในการค้นหา. นอกจากนี้เทคนิคการเรียนรู้การเชื่อมโยงได้รับการยืนยันที่จะมีบทบาทสำคัญในการเพิ่มประสิทธิภาพของอีเอ ดังนั้นเพื่อลดอุปสรรคของการเชื่อมโยงคนตาบอดใน DE และเพิ่มประสิทธิภาพของการใช้เทคนิคการเชื่อมโยงใหม่ที่เรียกว่าไฮบริดครอสโอเวอร์เชื่อมโยง(HLX) มีการเสนอในการศึกษานี้ HLX ใช้วิธีการก่อกวนที่ใช้ในการโดยอัตโนมัติดึงข้อมูลการเชื่อมโยงของปัญหาที่เฉพาะเจาะจงและจากนั้นจะใช้ข้อมูลการเชื่อมโยงเพื่อให้คำแนะนำขั้นตอนการครอสโอเวอร์ โดยผสมผสานเข้า HLX DE, ผลขั้นตอนวิธีการตั้งชื่อHLXDE จะนำเสนอ เพื่อประเมินประสิทธิภาพของ HLXDE ที่HLX เป็นนิติบุคคลที่จัดตั้งเป็นหกขั้นตอนวิธีการเดิม DE, เช่นเดียวกับหลายขั้นสูง DE สายพันธุ์. ผลการทดลองแสดงให้เห็นถึงประสิทธิภาพการทำงานที่สูงของ HLX สำหรับ DE ขั้นตอนวิธีการศึกษา. 2015 เอลส์อิงค์สงวนลิขสิทธิ์

ผลลัพธ์ (ไทย) 3:

แตกต่างกับวิวัฒนาการไฮบริดเชื่อมโยงข้าม

ในฟิลด์ของขั้นตอนวิธีเชิงวิวัฒนาการ ( EAS ) วิวัฒนาการดิฟ ( de ) ได้รับเรื่อง
ของความสนใจมากเนื่องจากการเพิ่มประสิทธิภาพและความสามารถที่แข็งแกร่งทั่วโลกใช้งานง่าย .
แต่ในที่สุด เดอ ขั้นตอนวิธี ครอสโอเวอร์ผู้ประกอบการมักจะละเว้น
พิจารณาปฏิสัมพันธ์ระหว่างคู่ของตัวแปร นั่นคือเดอ คือการเชื่อมโยงและการเชื่อมโยงเฉพาะ
ตาบอด ปัญหาไม่ใช้อย่างมีประสิทธิภาพเพื่อนำกระบวนการค้นหา
นอกจากนี้ เทคนิคการเรียนรู้ที่เชื่อมโยงได้รับการยืนยันที่จะมีบทบาทสำคัญในการเพิ่มประสิทธิภาพ
เอ . ดังนั้น เพื่อลดอุปสรรคและเพิ่มการเชื่อมโยงของบอดเดอ
ประสิทธิภาพของ นวนิยายโดยการใช้เทคนิคที่เรียกว่าไฮบริด การเชื่อมไขว้
( hlx )เป็นแบบจำลองในการศึกษานี้ hlx ใช้วิธีสมการตามโดยอัตโนมัติสกัดข้อมูล
เชื่อมโยงปัญหาเฉพาะและจากนั้นใช้ข้อมูลเชื่อมโยง
คู่มือกระบวนการครอสโอเวอร์ โดยผสมผสาน hlx เป็น de ผล
อัลกอริทึมชื่อ hlxde , นำเสนอ เพื่อประเมินประสิทธิภาพของ hlxde
hlx , รวมเป็น 6 เดิม เดอ ขั้นตอนวิธีเช่นเดียวกับหลายขั้นสูง เดอ พันธุ์ ผลการทดลองแสดงให้เห็นถึง
ประสิทธิภาพสูง hlx สำหรับ de ขั้นตอนวิธี
ศึกษา .
2015 Elsevier Inc สงวนสิทธิ์ทั้งหมด