分布式数据驱动的多约束进化优化算法

doi:10.11772/j.issn.1001-9081.2023121814

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (5): 1393-1400.DOI: 10.11772/j.issn.1001-9081.2023121814

所属专题：进化计算专题（2024年第5期“进化计算专题”导读，全文已上线）

分布式数据驱动的多约束进化优化算法

魏凤凤, 陈伟能()

华南理工大学计算机科学与工程学院，广州 510006

收稿日期:2023-12-29 接受日期:2024-01-16 发布日期:2024-04-26 出版日期:2024-05-10
通讯作者: 陈伟能
作者简介:魏凤凤（1996—），女，山东青岛人，博士，CCF会员，主要研究方向：群体智能、演化计算
第一联系人：陈伟能（1983—），男，广东广州人，教授，博士，CCF会员，主要研究方向：群体智能、演化计算、云计算、运筹与优化。
基金资助:
广东省区域联合基金重点项目(2022B1515120076)

Distributed data-driven evolutionary computation for multi-constrained optimization

Fengfeng WEI, Weineng CHEN()

School of Computer Science and Engineering，South China University of Technology，Guangzhou Guangdong 510006，China

Received:2023-12-29 Accepted:2024-01-16 Online:2024-04-26 Published:2024-05-10
Contact: Weineng CHEN
About author:WEI Fengfeng， born in 1996， Ph. D. Her research interests include swarm intelligence， evolutionary computation.
Supported by:
Guangdong Regional Joint Foundation Key Project(2022B1515120076)

摘要/Abstract

摘要：

泛在计算模式下，数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战，构建分布式数据驱动的多约束进化优化算法（DDDEA）框架，由一系列终端节点负责数据提供和分布式评估，服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例，终端节点利用局部数据构建径向基函数（RBF）模型，辅助驱动服务器节点差分进化（DE）算法对问题进行寻优。通过与3个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比，DDDEA在68.4%的测试用例中取得显著最优结果，在84.2%的测试用例中找到可行解的成功率为1.00，表明该算法具有良好的全局搜索能力和收敛能力。

关键词: 分布式优化, 数据驱动优化, 约束优化, 进化计算, 差分进化算法

Abstract:

Distributed data acquisition and processing in ubiquitous computing mode have brought the demand for distributed data-driven optimization. To address the challenges such as distributed data acquisition， asynchronous constraints evaluation and incomplete information， a Distributed Data-Driven Evolutionary Algorithm （DDDEA） framework for multi-constrained optimization was constructed. A series of terminal nodes were responsible for data provision and distributed evaluation， while the server nodes were responsible for global evolutionary optimization. Based on this framework， a specific algorithm instance was implemented， the terminal nodes utilized their local data to construct a Radial Basis Function （RBF） model to assist the differential evolution of the server node. Experimental comparison with three centralized data-driven evolutionary algorithms for multi-constrained optimization on two standard test suites show that， the DDDEA achieves significant optimal results in 68.4% of test cases and has a success rate of 1.00 in finding feasible solutions in 84.2% of test cases. Therefore， the DDDEA has satisfactory global search and convergence abilities.

Key words: distributed optimization, data-driven optimization, constrained optimization, evolutionary computation, Differential Evolution (DE) algorithm

中图分类号:

TP301.6

魏凤凤, 陈伟能. 分布式数据驱动的多约束进化优化算法[J]. 计算机应用, 2024, 44(5): 1393-1400.

Fengfeng WEI, Weineng CHEN. Distributed data-driven evolutionary computation for multi-constrained optimization[J]. Journal of Computer Applications, 2024, 44(5): 1393-1400.

图/表 5

参考文献 47

1	马华东，赵东，王新兵，等.一种新型群智感知系统架构模型和实现方法［J］.中国科学：信息科学，2023，53（7）：1262-1280. 10.1360/ssi-2022-0157
	MA H D， ZHAO D， WANG X B， et al. A novel crowdsensing system architecture model and its implementation methods［J］. SCIENTIA SINICA Informationis， 2023， 53（7）： 1262-1280. 10.1360/ssi-2022-0157
2	门瑞，樊书嘉，阿喜达，等.物联网中结合计算卸载和区块链的综述［J］.计算机应用，2023，43（10）：3008-3016. 10.11772/j.issn.1001-9081.2022091466
	MEN R， FAN S J， SHAN Axida， et al. Survey on combination of computation offloading and blockchain in internet of things［J］. Journal of Computer Applications， 2023， 43（10）： 3008-3016. 10.11772/j.issn.1001-9081.2022091466
3	吴磊，郭斌，徐若楠，等.泛在计算视角下的群智模块化机器人［J］. 中国科学：信息科学，2023，53（11）：2107-2151. 10.1360/ssi-2022-0385
	WU L， GUO B， XU R N， et al. Emergence of crowd modular robotics： a ubiquitous computing perspective［J］. SCIENTIA SINICA Informationis， 2023， 53（11）： 2107-2151. 10.1360/ssi-2022-0385
4	ZHANG Z， LIN S， DEDEOGLU M， et al. Data-driven distributionally robust optimization for edge intelligence［C］// Proceedings of the 2020 IEEE Conference on Computer Communications. Piscataway： IEEE， 2020： 2619-2628. 10.1109/infocom41043.2020.9155440
5	YANG Q， LIU Y， CHEN T， et al. Federated machine learning： concept and applications［J］. ACM Transactions on Intelligent Systems and Technology， 2019， 10（2）： 1-19. 10.1145/3298981
6	公茂果，高原，王炯乾，等.基于进化策略的自适应联邦学习算法［J］.中国科学：信息科学，2023，53（3）：437-453. 10.1360/ssi-2021-0190
	GONG M G， GAO Y， WANG J Q， et al. Adaptive federated learning algorithm based on evolution strategies［J］. SCIENTIA SINICA Informationis， 2023， 53（3）： 437-453. 10.1360/ssi-2021-0190
7	HONG T， ZHANG Y， LIU J， et al. Distributed data-driven optimization for voltage regulation in distribution systems［J］. IEEE Transactions on Power Systems， 2023， 39（1）： 1263-1273. 10.1109/tpwrs.2023.3242868
8	QIN J， ZHU Y， FU W. Distributed clustering algorithm in sensor networks via normalized information measures［J］. IEEE Transactions on Signal Processing， 2020， 68： 3266-3279. 10.1109/tsp.2020.2995506
9	WHITLEY L D. An overview of evolutionary algorithms： practical issues and common pitfalls［J］. Information and Software Technology， 2001， 43（14）： 817-831. 10.1016/s0950-5849(01)00188-4
10	TANG J， LIU G， PAN Q. A review on representative swarm intelligence algorithms for solving optimization problems： applications and trends［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（10）： 1627-1643. 10.1109/jas.2021.1004129
11	刘若辰，李建霞，刘静，等.动态多目标优化研究综述［J］.计算机学报，2020，43（7）：1246-1278. 10.11897/SP.J.1016.2020.01246
	LIU R C， LI J X， LIU J， et al. A survey on dynamic multi-objective optimization［J］. Chinese Journal of Computers， 2020， 43（7）： 1246-1278. 10.11897/SP.J.1016.2020.01246
12	柴天佑，丁进良，王宏，等.复杂工业过程运行的混合智能优化控制方法［J］.自动化学报，2008，34（5）：505-515. 10.3724/sp.j.1004.2008.00505
	CHAI T Y， DING J L， WANG H， et al. Hybrid intelligent optimal control method for operation of complex industrial processes［J］. Acta Automatica Sinica， 2008， 34（5）： 505-515. 10.3724/sp.j.1004.2008.00505
13	王凌，王晶晶.考虑运输时间的分布式绿色柔性作业车间调度协同群智能优化［J］.中国科学：技术科学，2023，53（2）：243-257. 10.1360/sst-2021-0355
	WANG L， WANG J J. A cooperative memetic algorithm for the distributed green flexible job shop with transportation time［J］. SCIENTIA SINICA Technologica， 2023， 53（2）： 243-257. 10.1360/sst-2021-0355
14	GONG Y-J， CHEN W-N， ZHAN Z-H， et al. Distributed evolutionary algorithms and their models： a survey of the state-of-the-art［J］. Applied Soft Computing， 2015， 34： 286-300. 10.1016/j.asoc.2015.04.061
15	XU J， JIN Y， DU W， et al. A federated data-driven evolutionary algorithm［J］. Knowledge-Based Systems， 2021， 233： 107532. 10.1016/j.knosys.2021.107532
16	ZHU H， JIN Y. Real-time federated evolutionary neural architecture search［J］. IEEE Transactions on Evolutionary Computation， 2022， 26（2）： 364-378. 10.1109/tevc.2021.3099448
17	LIU Q， YAN Y， LIGETI P， et al. A secure federated data-driven evolutionary multi-objective optimization algorithm［J］. IEEE Transactions on Emerging Topics in Computational Intelligence， 2024， 8（1）： 191-205. 10.1109/tetci.2023.3313555
18	GUO X-Q， CHEN W-N， WEI F-F， et al. Edge-cloud co‑evolutionary algorithms for distributed data-driven optimization problems［J］. IEEE Transactions on Cybernetics， 2023， 53（10）： 6598-6611. 10.1109/tcyb.2022.3219452
19	MORÁN-FERNÁNDEZ L， BOLÓN-CANEDO V， ALONSO-BETANZOS A. Centralized vs. distributed feature selection methods based on data complexity measures［J］. Knowledge-Based Systems， 2017， 117： 27-45. 10.1016/j.knosys.2016.09.022
20	RAHI K H， SINGH H K， RAY T. Partial evaluation strategies for expensive evolutionary constrained optimization［J］. IEEE Transactions on Evolutionary Computation， 2021， 25（6）： 1103-1117. 10.1109/tevc.2021.3078486
21	GIOVANNI DE G， MUNDO D， MALETTA C， et al. Multi-objective optimization of a vehicle body by combining gradient-based methods and vehicle concept modelling［J］. Case Studies in Mechanical Systems and Signal Processing， 2015， 1： 1-7. 10.1016/j.csmssp.2015.06.002
22	WEI F-F， CHEN W-N， ZHANG J. A hybrid regressor and classifier-assisted evolutionary algorithm for expensive optimization with incomplete constraint information［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2023， 53（2）： 5071-5083. 10.1109/tsmc.2023.3259947
23	LIU B， ZHANG Q， GIELEN G G E. A Gaussian process surrogate model assisted evolutionary algorithm for medium scale expensive optimization problems［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（2）： 180-192. 10.1109/tevc.2013.2248012
24	POWELL M J D. The uniform convergence of thin plate spline interpolation in two dimensions［J］. Numerische Mathematik， 1994， 128： 107-128. 10.1007/s002110050051
25	REGIS R G， SHOEMAKER C A. A stochastic radial basis function method for the global optimization of expensive functions［J］. INFORMS Journal on Computing， 2007， 19（4）： 497-509. 10.1287/ijoc.1060.0182
26	REGIS R G. Particle swarm with radial basis function surrogates for expensive black-box optimization［J］. Journal of Computational Science， 2014， 5（1）： 12-23. 10.1016/j.jocs.2013.07.004
27	STORN R， KENNETH P. Differential evolution： a simple and efficient heuristic for global optimization over continuous spaces［J］. Journal of Global Optimization， 1997， 11（4）： 341-359.
28	WANG W， LIU H-L， CHEN TAN KAY， et al. A surrogate-assisted differential evolution algorithm for high-dimensional expensive optimization problems［J］. IEEE Transactions on Cybernetics， 2023， 53（4）： 2685-2697. 10.1109/tcyb.2022.3175533
29	WANG Y， YIN D-Q， YANG S， et al. Global and local surrogate-assisted differential evolution for expensive constrained optimization problems with inequality constraints［J］. IEEE Transactions on Cybernetics， 2019， 49（5）： 1642-1656. 10.1109/tcyb.2018.2809430
30	WANG B-C， LI H-X， LI J-P， et al. Composite differential evolution for constrained evolutionary optimization［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2019， 49（7）： 1482-1495. 10.1109/tsmc.2018.2807785
31	STEIN M. Large sample properties of simulations using Latin hypercube sampling［J］. Technometrics， 1987， 29（2）： 143-151. 10.1080/00401706.1987.10488205
32	LI J-Y， ZHAN Z-H， WANG H， et al. Data-driven evolutionary algorithm with perturbation-based ensemble surrogates［J］. IEEE Transactions on Cybernetics， 2021， 51（8）： 3925-3937. 10.1109/tcyb.2020.3008280
33	季新芳，张勇，巩敦卫，等.异构集成代理辅助的区间多模态粒子群优化算法［J/OL］.自动化学报，2021，45（x）：1-23 ［2023-12-05］. . 10.16383/j.aas.c210223
	JI X F， ZAHNG Y， GONG D W， et al. Interval multimodal particle swarm optimization algorithm assisted by heterogeneous ensemble surrogate［J/OL］. Acta Automatica Sinica， 2021， 45（x）： 1-23 ［2023-12-05］. . 10.16383/j.aas.c210223
34	DORIGO M， GAMBARDELLA L M. Ant colony system： a cooperative learning approach to the traveling salesman problem［J］. IEEE Transactions on Evolutionary Computation， 1997， 1（1）： 53-66. 10.1109/4235.585892
35	CHEN W-N， ZHANG J， CHUNG H S H， et al. A novel set-based particle swarm optimization method for discrete optimization problems［J］. IEEE Transactions on Evolutionary Computation， 2010， 14（2）： 278-300. 10.1109/tevc.2009.2030331
36	KENNEDY J， EBERHART R. Particle swarm optimization［C］// Proceedings of the 1995 International Conference on Neural Networks. Piscataway： IEEE， 1995： 1942-1948. 10.1109/ICNN.1995.488968
37	VANNESCHI L， CASTELLI M， SILVA S. A survey of semantic methods in genetic programming［J］. Genetic Programming and Evolvable Machines， 2014， 15（2）： 195-214. 10.1007/s10710-013-9210-0
38	WEI F-F， CHEN W-N， YANG Q， et al. A classifier-assisted level-based learning swarm optimizer for expensive optimization［J］. IEEE Transactions on Evolutionary Computation， 2021， 25（2）： 219-233. 10.1109/tevc.2020.3017865
39	PILLAI A S， SINGH K， SARAVANAN V， et al. A genetic algorithm-based method for optimizing the energy consumption and performance of multiprocessor systems［J］. Soft Computing， 2018， 22（10）： 3271-3285. 10.1007/s00500-017-2789-y
40	DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］. IEEE Transactions on Evolutionary Computation， 2002， 6（2）： 182-197. 10.1109/4235.996017
41	REGIS R G. Evolutionary programming for high-dimensional constrained expensive black-box optimization using radial basis functions［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（3）： 326-347. 10.1109/tevc.2013.2262111
42	HANDOKO S D， KWOH C K， ONG Y S. Feasibility structure modeling： an effective chaperone for constrained memetic algorithms［J］. IEEE Transactions on Evolutionary Computation， 2010， 14（5）： 740-758. 10.1109/tevc.2009.2039141
43	LIANG J J， RUNARSSON T P， MEZURA-MONTES E， et al. Problem definitions and evaluation criteria for the CEC 2006 special session on real-parameter optimization［J］. Journal of Applied Mechanics， 2006， 41（8）： 1-24.
44	MALLIPEDDI R， SUGANTHAN P N. Problem definitions and evaluation criteria for the CEC 2010 competition on constrained real-parameter optimization［R/OL］. ［2023-11-10］. .
45	LIU B， ZHANG Q， GIELEN G. A surrogate-model-assisted evolutionary algorithm for computationally expensive design optimization problems with inequality constraints［J］. Simulation-Driven Modeling and Optimization， 2016， 153： 347-370. 10.1007/978-3-319-27517-8_14
46	LI G， ZHANG Q. Multiple penalties and multiple local surrogates for expensive constrained optimization［J］. IEEE Transactions on Evolutionary Computation， 2021， 25（4）： 769-778. 10.1109/tevc.2021.3066606
47	DONG H， WANG P， FU C， et al. Kriging-assisted Teaching-Learning-Based Optimization （KTLBO） to solve computationally expensive constrained problems［J］. Information Sciences， 2021， 556： 404-435. 10.1016/j.ins.2020.09.073

测试用例	不等约束数	维数	可行域比例/%
g01	9	13	0.011 1
g02	2	20	99.997 1
g04	6	5	52.123 0
g06	2	2	0.006 6
g07	8	10	0.000 3
g08	2	2	0.856 0
g09	4	7	0.512 1
g10	6	8	0.001 0
g12	1	3	4.771 3
g16	38	5	0.020 4
g18	13	9	0.000 0
g19	5	15	33.476 1
g24	2	2	79.655 6
c01	2	30	100.000 0
c07	1	30	50.372 5
c08	1	30	37.527 8
c13	3	30	0.000 0
c14	3	30	0.612 3
c15	3	30	0.602 3

测试用例	不等约束数	维数	可行域比例/%
g01	9	13	0.011 1
g02	2	20	99.997 1
g04	6	5	52.123 0
g06	2	2	0.006 6
g07	8	10	0.000 3
g08	2	2	0.856 0
g09	4	7	0.512 1
g10	6	8	0.001 0
g12	1	3	4.771 3
g16	38	5	0.020 4
g18	13	9	0.000 0
g19	5	15	33.476 1
g24	2	2	79.655 6
c01	2	30	100.000 0
c07	1	30	50.372 5
c08	1	30	37.527 8
c13	3	30	0.000 0
c14	3	30	0.612 3
c15	3	30	0.602 3

测试用例	DDDEA	GPEEC	MPMLS	KTLBO
g01	-14.793 1	-9.611 3^-	-5.214 2^-	-0.751 4^-
g02	-0.413 8	-0.338 08^-	-0.318 1^-	-0.340 3^-
g04	-3.044 3E+04	-3.043 0E+04^-	-3.060 0E+04⁺	-2.981 8E+04^-
g06	-6.961 8E+03	-6.110 0E+03^-	-6.954 4E+03^-	-3.646 9E+03^-
g07	27.936 3	28.904 3^-	997.986 2^-	216.913 0^≈
g08	-0.095 8	-0.094 7^-	-0.095 8^-	-0.072 6^-
g09	963.162 9	2.392 7E+06^-	823.029 2⁺	934.816 4^≈
g10	7.423 0E+03	NaN^/	1.288 1E+04^-	1.150 2E+04^-
g12	-1.000 0	-1.000 0^≈	-1.000 0^≈	-1.000 0^≈
g16	-1.577 6	-1.402 2^-	-1.537 9^≈	-1.246 6^≈
g18	NaN	-0.402 6^/	NaN^/	-0.083 9^/
g19	165.747 1	1.739 5E+03^-	578.727 0^-	810.270 7^-
g24	-5.508 0	-5.471 9^≈	-5.505 0^-	-5.168 1^-
c01	-0.292 5	-0.189 0^-	-0.222 7^-	-0.285 5^-
c07	9.113 3E+07	9.623 8E+10^-	4.309 9E+08^-	4.971 5E+09^-
c08	4.009 7E+08	8.795 3E+10^-	1.292 5E+09^-	1.831 8E+09^-
c13	-11.295 9	-7.545 5^-	-14.820 0⁺	-6.780 3^-
c14	6.057 2E+12	3.964 8E+13^-	6.978 9E+13^-	3.103 0E+14^-
c15	NaN	5.115 9E+14^/	3.269 7E+14^/	6.293 1E+14^/
#（+，-，≈，/）		（0，14，2，3）	（3，12，2，2）	（0，13，4，2）

测试用例	DDDEA	GPEEC	MPMLS	KTLBO
g01	-14.793 1	-9.611 3^-	-5.214 2^-	-0.751 4^-
g02	-0.413 8	-0.338 08^-	-0.318 1^-	-0.340 3^-
g04	-3.044 3E+04	-3.043 0E+04^-	-3.060 0E+04⁺	-2.981 8E+04^-
g06	-6.961 8E+03	-6.110 0E+03^-	-6.954 4E+03^-	-3.646 9E+03^-
g07	27.936 3	28.904 3^-	997.986 2^-	216.913 0^≈
g08	-0.095 8	-0.094 7^-	-0.095 8^-	-0.072 6^-
g09	963.162 9	2.392 7E+06^-	823.029 2⁺	934.816 4^≈
g10	7.423 0E+03	NaN^/	1.288 1E+04^-	1.150 2E+04^-
g12	-1.000 0	-1.000 0^≈	-1.000 0^≈	-1.000 0^≈
g16	-1.577 6	-1.402 2^-	-1.537 9^≈	-1.246 6^≈
g18	NaN	-0.402 6^/	NaN^/	-0.083 9^/
g19	165.747 1	1.739 5E+03^-	578.727 0^-	810.270 7^-
g24	-5.508 0	-5.471 9^≈	-5.505 0^-	-5.168 1^-
c01	-0.292 5	-0.189 0^-	-0.222 7^-	-0.285 5^-
c07	9.113 3E+07	9.623 8E+10^-	4.309 9E+08^-	4.971 5E+09^-
c08	4.009 7E+08	8.795 3E+10^-	1.292 5E+09^-	1.831 8E+09^-
c13	-11.295 9	-7.545 5^-	-14.820 0⁺	-6.780 3^-
c14	6.057 2E+12	3.964 8E+13^-	6.978 9E+13^-	3.103 0E+14^-
c15	NaN	5.115 9E+14^/	3.269 7E+14^/	6.293 1E+14^/
#（+，-，≈，/）		（0，14，2，3）	（3，12，2，2）	（0，13，4，2）

[1]	刘晓芳, 张军. 概率驱动的动态多目标多智能体协同调度进化优化[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1372-1377.
[2]	黄亚伟, 钱雪忠, 宋威. 基于双档案种群大小自适应方法的改进差分进化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3844-3853.
[3]	高乾顺, 范纯龙, 李炎达, 滕一平. 基于差分进化的神经网络通用扰动生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3436-3442.
[4]	赵云涛, 谢万琪, 李维刚, 胡佳明. 基于协方差矩阵自适应进化策略的机器人手眼标定算法[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3225-3229.
[5]	聂青青, 万定生, 朱跃龙, 李致家, 姚成. 基于时域卷积网络的水文模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1756-1761.
[6]	史非凡, 史旭华. 基于参考向量的自适应约束多目标进化算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 542-549.
[7]	代荣荣, 李宏慧, 付学良. 基于差分进化融合蚁群算法的数据中心流量调度机制[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3863-3869.
[8]	席雅睿, 乔志伟, 温静, 张艳娇, 杨雯晶, 闫慧文. 基于Chambolle-Pock算法框架的高阶TV图像重建算法[J]. 计算机应用, 2020, 40(6): 1793-1798.
[9]	施晓倩, 陈祺东, 孙俊, 冒钟杰. 变分布的量子行为粒子群优化算法求解工程约束优化问题[J]. 计算机应用, 2020, 40(5): 1382-1388.
[10]	赵志学, 李夏苗, 周鲜成. 考虑拥堵区域的多车型绿色车辆路径问题优化[J]. 计算机应用, 2020, 40(3): 883-890.
[11]	张鑫, 邹德旋, 沈鑫. 含交叉项的混合二范数粒子群优化算法[J]. 计算机应用, 2018, 38(8): 2148-2156.
[12]	刘宝, 董明刚, 敬超. 改进的排序变异多目标差分进化算法[J]. 计算机应用, 2018, 38(8): 2157-2163.
[13]	袁亦川, 杨洲, 罗廷兴, 秦进. 求解动态优化问题的多种群竞争差分进化算法[J]. 计算机应用, 2018, 38(5): 1254-1260.
[14]	李甲地, 马驰, 李德权, 王俊雅. 多个体切换网络分布式量化次梯度优化算法[J]. 计算机应用, 2018, 38(2): 509-515.
[15]	黄虹玮, 葛笑天, 陈烜松. 基于复杂学习分类系统的密度聚类方法[J]. 计算机应用, 2017, 37(11): 3207-3211.

分布式数据驱动的多约束进化优化算法

Distributed data-driven evolutionary computation for multi-constrained optimization

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 47

相关文章 15

编辑推荐

Metrics

测试用例	DDDEA	GPEEC	MPMLS	KTLBO
g01	1.00	1.00	0.80	0.90
g02	1.00	1.00	1.00	1.00
g04	1.00	1.00	1.00	1.00
g06	1.00	1.00	1.00	0.80
g07	1.00	0.65	0.40	0.05
g08	1.00	1.00	1.00	1.00
g09	1.00	0.80	1.00	1.00
g10	1.00	0.00	0.95	0.10
g12	1.00	0.20	1.00	1.00
g16	0.50	1.00	0.05	0.05
g18	0.00	1.00	0.00	0.25
g19	1.00	1.00	1.00	1.00
g24	1.00	1.00	1.00	1.00
c01	1.00	1.00	1.00	1.00
c07	1.00	1.00	1.00	1.00
c08	1.00	1.00	1.00	1.00
c13	1.00	0.80	0.95	1.00
c14	1.00	1.00	1.00	0.95
c15	0.00	0.20	0.10	0.15