Resumen

Para la optimización a gran escala, CMA-ES tiene las desventajas de alta complejidad y estancamiento prematuro. En este artículo se propuso un algoritmo mejorado de CMA-ES llamado GI-ES. Para el problema de alta complejidad, el método en este artículo reemplaza el cálculo de una matriz de covarianza con la modelización de grados de ajuste esperados para una matriz de covarianza dada. Al mismo tiempo, para resolver el problema de estancamiento prematuro, este artículo reemplaza la información histórica de individuos élite con la información histórica de todos los individuos. La información puede ser vista como gradientes aproximados. Los parámetros de la próxima generación de individuos se generan basados en los gradientes aproximados. Los resultados experimentales fueron probados utilizando CEC 2010 y CEC2013 LSGO conjunto de pruebas de referencia, y los resultados experimentales verificaron la efectividad del algoritmo en una serie de tareas diferentes.

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Optimización a gran escala; CMA-ES; GI-ES; Matriz de covarianza; Estancamiento prematuro; Gradientes aproximados
• Keywords:Large-scale optimization; CMA-ES; GI-ES; Covariance matrix; Premature stagnation; Approximate gradients