P-lsGOF: パラレル学習選択に基づくグローバル最適化フレームワーク

複雑な工学設計問題を最適化する際、探索空間は通常非常に非線形であり、最適解を見つけることが非常に難しくなります。この課題に対応するため、本論文では、主成分分析から学習した変数に沿ってグローバル探索空間を複数のサブスペースに分割できるパラレル学習選択に基づくグローバル最適化フレームワーク（P-lsGOF）を紹介します。コア探索アルゴリズムである記憶ベース適応微分進化アルゴリズム（MADE）は、すべてのサブスペースで並列実装されています。MADEは、選択的記憶の補完と成功した制御パラメータのシールドを持つ適応的微分進化アルゴリズムです。MADEのCEC2017の制約なし問題およびCEC2011の実世界問題に対する効率は、最近発表された成功履歴に基づく適応的微分進化アルゴリズムである線形集団サイズ削減（L-SHADE）の最先端の変種と比較することで示されています。CEC2011問題に対するP-lsGOFのパフォーマンスは、個別にMADEを実施することによって最適化された結果がさらに改善される可能性を示しています。