机器学习和生物信息学实验室联盟

标题: I-DBEA [1] 如何基于距离选择解的问题 [打印本页]

作者: zhangsongming 时间: 2016-6-22 10:21
标题: I-DBEA [1] 如何基于距离选择解的问题
本帖最后由 zhangsongming 于 2016-6-22 11:47 编辑

[attach]2441[/attach]

I-DBEA[1] 如何基于距离选择解的问题

上次组会我们提到了I-DBEA算法利用[attach]2427[/attach](图1)，两个距离来衡量一个解在目标空间中的收敛指数和多样性指数。然而对于算法是如何利用两个距离来比较两个解的好坏以及如何替换上并没有清楚的解释。这次的主要目的就是解释清楚其中的原因。

[attach]2428[/attach]

我们这次讲的论文(A Decomposition-Based Evolutionary Algorithm for Many Objective Optimization)是作者M. Asafuddoula 写于2015年并发表在IEEE Trans. Evolutionary Computation.然而在写这篇论文之前作者曾在2013年的时候写了一篇论文(A Decomposition Based Evolutionary Algorithm for Many Objective Optimization with Systematic Sampling and Adaptive Epsilon Control [2]). 很不幸的是这两篇论文存在着千丝万缕的联系，更可以说前者是基于后者的一点点改进。然而，更不幸的是前者(I-DBEA )的精华部分竟然不是基于距离的解的比较策略，这是后者(DBEA-Eps)精华部分。至于(I-DBEA)的精华所在我只能说大概就是用conner-sort来替代极值点构建归一化目标空间吧。

DBEA-Eps，提出了用自适应ε比较来平衡pareto的收敛性和多样性。什么意思，ε又是什么东西，我们来看一个公式：

[attach]2429[/attach]

在上述公式中，W表示解的数量，[attach]2430[/attach]表示第i个解的[attach]2431[/attach]距离。通俗的讲就是，[attach]2432[/attach]刻画了所有解的一个平均[attach]2431[/attach]距离。当一个孩子解被创建后，计算这个解与所有参考点向量之间的[attach]2431[/attach]距离，然后按照以下的规则来替换单个父亲解：

[attach]2433[/attach]

基于上面的公式太多，解释起来麻烦且难懂。所以我们一组图来试着说明：

[attach]2434[/attach] [attach]2435[/attach] [attach]2436[/attach]

[attach]2442[/attach]

[attach]2443[/attach]

[attach]2444[/attach]

[attach]2445[/attach]

[1] A Decomposition-Based Evolutionary Algorithm for Many Objective Optimization

[2] A Decomposition Based Evolutionary Algorithm for Many Objective Optimization with Systematic Sampling and Adaptive Epsilon Control

(http://download.springer.com/sta ... 8-3-642-37140-0.pdf originUrl=http%3A%2F%2Flink.springer.com%2Fbook%2F10.1007%2F978-3-642-37140-0&token2=exp=1466433693~acl=%2Fstatic%2Fpdf%2F968%2Fbok%25253A978-3-642-37140-0.pdf%3ForiginUrl%3Dhttp%253A%252F%252Flink.springer.com%252Fbook%252F10.1007%252F978-3-642-37140-0*~hmac=4047b9aa550c707db1f26b4f5cdbf7a050b269bdb0883b514675dbdfbe2c163e)

作者: xzeng 时间: 2016-7-2 13:31
建议把叙述顺序再调整一下。
比如，首先应该把I-DBEA的论文摆出来，告诉大家I-DBEA是什么东西的缩写。
然后从I-DBEA的基本思路出发，从宏观到细节，按照这种逻辑来介绍，读者才好follow。

欢迎光临机器学习和生物信息学实验室联盟 (http://123.57.240.48/)