知识卡片
协同更新保留其他候选的有益维度
ICQPSO 对一个粒子多次采样后,先把适应度最好的候选复制为“背景向量”(逐维试换时的基准解),再拿其余候选的每一维逐个试换:只替换这一维,重算完整目标值;变好就保留,变差就恢复,然后试下一维。
示例(补充,最小化 f=x₁²+x₂²+x₃²):
| 步骤 | 背景向量 | f |
|---|---|---|
| 最好候选 X1 作背景 | (1,2,0) | 5 |
| 换入 X2=(3,0,3) 第 1 维 | (3,2,0) | 13,恢复 |
| 换入第 2 维 | (1,0,0) | 1,保留 |
| 换入第 3 维 | (1,0,3) | 10,恢复 |
X2 整体 f=18 很差,但它的第 2 维让背景从 5 降到 1,这就是协同要利用的“局部有益分量”。代价是每试一维就多评价一次:书中每轮采样 5 次,其余 4 个候选在 D 维问题上每粒子每轮多 4D 次评价。结果还依赖试换顺序与当前背景,效果不能由流程本身保证。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 6 . 2 . 2 改 进 的 协 同 量 子 粒 子 群 算 法 · 查看原书依据
协作的具体操作方法为,从多次测量得到的5个个体中根据适应度值选出适应度最好的一个个体,假设为X(x,x,…,x),将设为背景向量X(context vector)即X=X,并令X=X,分别用X(x,x,…,x)、X(x,x,…,x)、X(x,x,…,x)、X(x,x,…,x)的每一维分量来代替背景向量X的相应维度,得到新的背景向量,然后计算此时的背景向量的适应度值,若好于X,则说明这一维分量可以为全局最优做贡献,用这个数据来替代X的相应维度的数据,这样用X就可依次将其余4个个体中较好维度的信息评价出来,得到最后的X,就可根据QPSO算法进化原则求得个体最优和全局最优个体。
参考来源
- 位置:《智能算法导论》第 163 项《1 6 . 2 . 2 改 进 的 协 同 量 子 粒 子 群 算 法》(源文件:`_epub-src/EPUB/xhtml/chapter16_0007.xhtml`)
- 结论依据:正文及图 16.2–16.3 说明以最好采样个体为背景,逐维替换、评价并在目标更好时保留;与第 162 项的单维背景评价形成连续流程。三维函数与数值表为依据原书协作规则补充的教学示例,非书中数据;4D 次额外评价由“5 次观测、逐维评价”推出。
- 原始内容:并令 X = X ,分别用 X ( x , x ,…, x )、 X ( x , x ,…, x )、 X ( x , x ,…, x )、 X ( x , x ,…, x )的每一维分量来代替背景向量 X 的相应维度