机器学习和生物信息学实验室联盟

标题: 张谋钊-2016.6.12组会-并行进化算法和并行化针对子集选择问题的pareto优化算法 [打印本页]

作者: Mz.. 时间: 2016-6-23 15:45
标题: 张谋钊-2016.6.12组会-并行进化算法和并行化针对子集选择问题的pareto优化算法
本帖最后由 Mz.. 于 2016-6-23 15:57 编辑

标题：张谋钊-2016.6.12组会-并行进化算法和并行化针对子集选择问题的pareto优化算法

报告人：张谋钊

摘要：
①进化算法部分
一、现如今对于进化算法的并行已经提出了很多模型思想，主要分为两大类：
1.从population角度进行并行
如：主从模型、岛模型、细胞模型、混合模型、池模型等。
2.从问题维度进行切分并行
如：Coevolution、Multi-Agent等。
二、针对传统岛模型的固定迁移间隔的缺陷--存在无效迁移，提出了自适应迁移间隔方案：
对于每次进化迭代
方案A：当找到更优解，将迁移间隔T变为1；否则，T变为2T。
方案B：当找到更优解，将迁移间隔T变为T/2；否则，T变为2T。
三、用实现了协同进化的算法解决高维多目标优化问题，并提出了重叠搜索空间的改进版本。

②并行化pareto优化算法
对于子集选择问题（属于NP-hard问题），目前最有效的是Pareto Optimization方法，此论文提出了并行化版本。在一定的并行程度内，算法运行速度较未并行版本有接近线性的提高。

参考论文：
[1] Gong, Yue-Jiao, Chen, Wei-Neng, Zhan, Zhi-Hui, et al. Distributed evolutionary algorithms and their models[J]. Applied Soft Computing, 2015, 34(C):286-300.
[2] Mambrini A, Sudholt D. Design and analysis of adaptive migration intervals in parallel evolutionary algorithms[C]// Conference on Genetic and Evolutionary Computation. ACM, 2014:1047-1054.
[3] García-Sánchez P, Ortega J, González J, et al. Addressing High Dimensional Multi-objective Optimization Problems by Coevolutionary Islands with Overlapping Search Spaces[J]. 2016.
[4] Chao Qian, Jing-Cheng Shi, Yang Yu, et al. Parallel Pareto Optimization for Subset Selection[C]// Proceedings of the 24th International Joint Conference on Artificial Intelligence (IJCAI'16). 2016.

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