Key points are not available for this paper at this time.
تم اقتراح نهج تحسين ذاتي وتطور تفاضلي جديد قائم على تاريخ النجاح مع تقليل حجم السكان الخطي (L-SHADE) متضمنًا تزاوجًا قائمًا على المتجهات الذاتية (EIG) وإطار اختيار الآباء الناجحين (SPS) في هذه الورقة. يمثل تزاوج EIG عملية ثابتة دورانيًا توفر أداءً متفوقًا في مشاكل تحسين الأرقام ذات المتغيرات المترابطة بشكل كبير. يوفر إطار SPS بديلاً لاختيار الآباء لمنع حالة الجمود. يجمع SPS-L-SHADE-EIG المقترح بين L-SHADE وإطاري EIG وSPS. لتحسين الأداء بشكل أكبر، يتم تحسين معلمات SPS-L-SHADE-EIG ذاتيًا من حيث كل دالة تحت مجموعة معايير مؤتمر IEEE للحوسبة التطورية (CEC) في عام 2015. تسبب البحث السكاني العشوائي ضوضاء في أداء SPS-L-SHADE-EIG، وبالتالي نتعامل مع الضوضاء من خلال إعادة تقييم المعلمات إذا لم يتم تحديث المعلمات لأكثر من عدد غير مقبول من المرات. تقيم التجربة أداء SPS-L-SHADE-EIG المُحسن ذاتيًا في مسابقة تحسين هدف واحد ذات معلمات حقيقية CEC 2015.
درست Guo وآخرون (الجمعة) هذا السؤال.