Key points are not available for this paper at this time.
जटिल इंजीनियरिंग डिज़ाइन समस्याओं का अनुकूलन करते समय, खोज स्थान आमतौर पर अत्यंत गैर-रेखीय होते हैं, जिससे अधिकतम का पता लगाने में बड़ी कठिनाई होती है। इस चुनौती से निपटने के लिए, यह पेपर एक समानांतर शिक्षण-चयन आधारित वैश्विक अनुकूलन ढांचा (P-lsGOF) पेश करता है, जो मुख्य घटक विश्लेषण से सीखे गए चर के साथ वैश्विक खोज स्थान को कई उप-स्थान में विभाजित कर सकता है। मुख्य खोज एल्गोरिदम, जिसे मेमोरी-आधारित अनुकूली विभेदन विकास एल्गोरिदम (MADE) कहा जाता है, सभी उप-स्थान में समानांतर कार्यान्वित किया गया है। MADE एक अनुकूली विभेदन विकास एल्गोरिदम है जिसमें चयनात्मक मेमोरी अनुपूरक और सफल नियंत्रण मापदंडों का संरक्षण होता है। MADE की दक्षता को CEC2017 बिना प्रतिबंधित समस्याओं और CEC2011 वास्तविक दुनिया की समस्याओं पर तुलना करके दर्शाया गया है, जिसमें हाल में प्रकाशित सफलता-इतिहास आधारित अनुकूली विभेदन विकास एल्गोरिदम के लीनियर जनसंख्या आकार में कमी (L-SHADE) के एलीट रूपों के साथ तुलना की गई है। CEC2011 समस्याओं पर P-lsGOF का प्रदर्शन दर्शाता है कि MADE को व्यक्तिगत रूप से संचालित करके प्राप्त अनुकूलित परिणामों में और सुधार किया जा सकता है।
ज़ुओ एट अल। (मंगल,) ने इस प्रश्न का अध्ययन किया।