文献类型：期刊文章

作　　者：田杰[1,2] 孙超利[3] 谭瑛[3] 曾建潮[1,4]

TIAN Jie;SUN Chao-liy;TAN Ying;ZENG Jian-chao(College of Mechanical Engineering,Taiyuan University of Science and Technology,Taiyuan 030024,China;School of Data and Computer Science,Shandong Women’s University,Jinan 250300,China;Department of Computer Science and Technology,Taiyuan University of Science and Technology,Taiyuan 030024,China;School of Computer Science and Control Engineering,North University of China,Taiyuan 030051,China)

机构地区：[1]太原科技大学机械工程学院,太原030024 [2]山东女子学院数据科学与计算机学院,济南250300 [3]太原科技大学计算机科学与技术学院,太原030024 [4]中北大学计算机与控制工程学院,太原030051

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(61472269,61403272);山西省自然科学基金项目(201601D021083);山东女子学院高水平科研项目(2018GSPSJ07).

年　　份：2020

卷　　号：35

期　　号：1

起止页码：131-138

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维~100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.

关 键 词：高维费时问题  代理模型辅助的进化算法  加点规则  相似度  代理模型

分 类 号：TP18]