摘要: 大数据的迅速发展,使得优化问题的规模不断增大,原本有效的优化方法面临前所未有的挑战。文章基于分而治之的策略,研究求解大规模优化问题的新方法。首先,基于加性可分性原理提出一种改进的变量分组方法。该方法以随机取点的方式,成对检测所有变量之间的相关性。同时,充分利用相关性学习的信息,对可分变量组进行再次降维。其次,引入改进的差分进化算法作为新型子问题优化器,增强了子空间的寻优性能。最后,将两项改进引入到协同进化框架构建DECC-NDG-CUDE算法。在10个选定的大规模优化问题上进行分组和优化两组仿真实验。分组实验结果表明新的分组方法能有效识别变量的相关性,是有效的变量分组方法;优化实验表明,DECC-NDG-CUDE算法对10个问题的求解相对于两种知名算法DECC-DG、DECCG在性能上具备整体优势,是一种有效的大规模优化问题求解算法。
中图分类号: