论文解读:Predator-Pray biogeography Based Optimization (PPBBO)
PPBBO
- 前言
- BBO
- Predator-Pray模型
- PPBBO算法
前言
- 生物地理学(Biogeography)是研究生态系统中物种的地理分布和迁移的科学。基于生物地理学的优化算法(Biogeography-based optimization, BBO)是近年来发展起来的一种全局优化算法,是生物地理学向进化算法的一种推广,已显示出其解决复杂优化问题的能力。
- BBO使用迁移操作符在问题的解之间共享信息。问题的候选解 (种群中的个体) 被确定为栖息地(habitat),而信息 (个体的基因) 的共享被称为迁移(migration)。每个栖息地的物种数量S(通常为候选解适应度值的某种映射)被用来确定各栖息地的迁入率(immigration rate) 和迁出率(emigration rate) 。同时,栖息地也会根据物种数量进行突变操作,提高种群多样性。
- 利用 Predator-Pray (PP) 的概念提高种群的多样性,进而克服局部最优陷阱。Predator在捕猎时,猎物附近的个体纷纷逃离,以避免成为下一个被捕杀的对象(这是竞争的过程)。在多目标优化问题中,每个predator处理一个目标函数,每个prey表示一个决策空间向量。
BBO
生物地理学优化算法是一种比较常见的优化算法,感兴趣的同学可以参考Dan Simon的论文,以及汶河之滨的博文,在这里就不做过多的介绍了。
【补充一下作者在博文中提到的关于迁移过程的动画】
Predator-Pray模型
Fig.1为Predator-Pray模型的环形网格,其中prey(候选解) 在每个节点处被随机初始化,每个目标随机放置一个(或多个)Predator。每个Predator捕杀对应目标下其邻域内最差的Pray。然后,从predator的邻近区域随机选择一个猎物进行突变。将突变的新解放到被捕杀猎物的位置,而其他个体会与远离那些被捕杀的猎物,以便与捕猎者保持一定距离(这就是所谓的prey神游机制)。最后,predator随机移动到它的一个邻近节点。这一过程将持续到所有predator都被访问。通过删除所有目标的最坏解,算法强化了最优解。初步仿真结果表明,初始随机种群趋向于帕累托最优前沿。
注意:在多目标优化问题中,由于确定worst解是困难的,所以需要为每个目标设置一个predator,这样每个predator只需要在各自的目标下寻找prey即可。
【捕猎过程和猎物神游过程的相关公式请参考论文】
PPBBO算法
1. Start
2. Calculate the probability of share information in a habitat;
3. Generate an initial random set of habitats;
4. While t<tmax
5. Calculate the migration rates;
6. Update the probability;
7. Use the migration rates to modify each habitat and probabilistically mutate the individuals;
8. The predators swallow the weakest preys;
9. Surviving preys run away from these hunted ones;
10. t = t+1;
11. Stop
不难发现,“生物地理学优化(Lines 2,3,5,6,7)”为算法提供了信息共享机制,同时“捕-猎模型(Lines 8,9)”为PPBBO算法提供了多样性保持机制。通过二者的结合,实现了多目标优化问题的求解。
论文解读:Predator-Pray biogeography Based Optimization (PPBBO)相关推荐
- 论文解读:On the Evolutionary optimization of Many Conflicting Objectives
文章目录 动机 待分析算法回顾 研究设计 可扩展优化任务 性能指标: 研究框架 通过变异操作观察到的结果 通过组合操作观察到的结果 分析 总结 参考文献 ss 动机 随着对许多个(many)目标同时优 ...
- Paper:《A Unified Approach to Interpreting Model Predictions—解释模型预测的统一方法》论文解读与翻译
Paper:<A Unified Approach to Interpreting Model Predictions-解释模型预测的统一方法>论文解读与翻译 导读:2017年11月25 ...
- Paper:论文解读《Adaptive Gradient Methods With Dynamic Bound Of Learning Rate》中国本科生提出AdaBound的神经网络优化算法
Paper:论文解读-<Adaptive Gradient Methods With Dynamic Bound Of Learning Rate>中国本科生(学霸)提出AdaBound的 ...
- AprilTag: A robust and flexible visual fiducial system论文解读
AprilTags论文解读 一.Apriltag是改进的ARToolkit. ARTag . 1.1 ARToolkit的劣势: A major disadvantage of this approa ...
- 论文解读:NSGA-II, EFR, EFR-RR
论文解读:NSGA-II, EFR, EFR-RR 本文主要回顾三种算法(NSGA-II, EFR, EFR-RR)的动机以及他们之间的差异. EFR是基于NSGA-II框架提出的集成适应度排序算法. ...
- ICML 2022 | 腾讯AI Lab入选论文解读
感谢阅读腾讯 AI Lab 微信号第 150 篇文章.本文为腾讯 AI Lab 入选 ICML 2022 的 7 篇论文解读. ICML(International Conference on Mac ...
- Accurate prediction of molecular targets using a self-supervised image rep...(论文解读)
Accurate prediction of molecular targets using a self-supervised image representation learning frame ...
- 论文解读:门控时钟的gating ratio如何提升
如何让一个clock gater能够gate更多的flip-flops? 如果两个flip-flops的enable和clk相同,那自然可以用同一个clock gater来gate.一般来说,一个mo ...
- CVPR 2020 Oral 文章汇总,包括论文解读与代码实现
点击上方,选择星标或置顶,不定期资源大放送! 阅读大概需要10分钟 Follow小博主,每天更新前沿干货 [导读]本文为大家整理了10篇CVPR2020上被评为Oral的论文解读和代码汇总. 1.Ra ...
- 论文解读 | 利用脑功能连接实现疲劳驾驶检测
©PaperWeekly 原创 · 作者|张玮玮 学校|东北大学硕士生 研究方向|脑电情绪识别 论文标题:Driving Fatigue Recognition with Functional Con ...
最新文章
- 携程数据库高可用架构实践
- DynamicPropertyAccessor Expression lambda
- 计算机网络:三层ISP结构
- MySQL—事务隔离级别
- WCF创建到使用到发布
- Markdown:数学公式(4)
- linux 使用ssr客户端_webpack5.0+SSR尝鲜【排坑记录】
- 集群、负载、并发介绍
- Mac下新安装的MySQL无法登陆root用户解决方法
- STM32/STM8选型手册
- php采集规则,dedecms采集规则怎么编写
- MATLAB中有关矩阵特征值和特征向量的计算
- 软件工程课程设计分组与选题名单
- 即将30岁的2020年总结,放眼未来的未雨绸缪
- Java通过快递鸟-查询物流
- 婚检、五金、求婚、领证的基本常识
- 封装实现电子宠物系统的企鹅类正确输入健康值和亲密度
- [Python]networkx入门
- Docker网络模式与资源控制管理
- 多级雷达图绘制python_Python 详解雷达图/蛛网图