Key points are not available for this paper at this time.
Multifaktorielle 1 Optimierung (MFO) hat in der Gemeinschaft der evolutionären Berechnung beträchtliche Aufmerksamkeit auf sich gezogen. In diesem Papier schlagen wir einen allgemeinen Rahmen für die Evolution von mehreren Populationen (MPEF) zur MFO vor, in dem jede Population Ihre eigene Zufallsverpaarungswahrscheinlichkeit (rmp) hat und für Ihre eigene Aufgabe genutzt wird. Die Vorteile der Verwendung von MPEF sind zweifältig: 1) Verschiedene gut entwickelte evolutionäre Algorithmen (EAs) können leicht in MPEF eingebettet werden, um die Aufgabe(n) der MFO-Probleme zu lösen; 2) Verschiedene Populationen können unterschiedliche genetische Materialübertragungen umsetzen. Darüber hinaus integrieren wir zur Instanziierung einen leistungsfähigen differentiellen Evolutionsalgorithmus, nämlich SHADE, in MPEF, um einen multipopulationalen DE-Algorithmus (MPEF-SHADE) zur Lösung von MFO-Problemen zu bilden. Die experimentellen Ergebnisse zu neun MFO-Benchmark-Problemen zeigen, dass MPEF-SHADE signifikant besser ist oder zumindest mit anderen multifaktoriellen Evolutionsalgorithmen wie MFEA, MFDE, MFPSO und AMA konkurrieren kann.
Li et al. (Fri,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: