使用模糊逻辑的超参数控制:适应模糊粒子群优化算法的发展政策
Nicolas Roy1,2, Charlotte Beauthier3, Alexandre Mayer1,4
1Department of Physics, University of Namur, Namur, 5000, Belgium.
Evolutionary computation
|June 18, 2024
概括
本研究引入了一种新的模糊反控制方法,用于调整粒子群优化 (PSO) 中的参数,显著提高了其在复杂的优化任务上的性能.
科学领域:
- 计算智能是一种计算智能.
- 优化算法 优化算法
- 机器学习 机器学习
背景情况:
- 像粒子群优化 (PSO) 这样的启发式优化方法需要仔细调整参数以获得最佳性能.
- 在优化过程中调整算法参数是改善启发式方法的关键挑战.
研究的目的:
- 开发一种新的方法来设计参数适应策略在启发式优化使用连续模糊反控制.
- 系统地创建和评估一组多样化的模糊控制PSO算法.
主要方法:
- 实施了连续模糊反控制框架,以动态调整PSO参数.
- 预先使用培训基准优化模糊流程以最大限度地提高性能.
- 产生了127个不同的模糊PSO算法,最多有7个模糊控制的参数.
主要成果:
- 新开发的模糊PSO算法在传统PSO和现有的参数控制变体上表现出优异的性能.
- 性能在2020年进化计算大会 (CEC) 竞赛中得到了验证,该竞赛是单个目标的受限制数值优化.
- 两种特定的模糊控制在现实场景中表现出强大的有效性和可靠性,来自CEC 2011.
结论:
- 连续模糊反控制为PSO中的自适应参数调节提供了一个有效的机制.
- 拟议的模糊PSO算法代表了优化性能的显著进步,超过了既定的方法.
- 该框架是强大的,适用于基准数值优化和现实世界的问题.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
11:53Spatial Multiobjective Optimization of Agricultural Conservation Practices using a SWAT Model and an Evolutionary Algorithm
Published on: December 9, 2012
13.0K
