Социальная когнитивная оптимизация - Social cognitive optimization

Социальная когнитивная оптимизация (ШОС) - это популяционная метаэвристический оптимизация алгоритм, разработанный в 2002 году.^[1] Этот алгоритм основан на социальная когнитивная теория, а ключевым моментом эргодичности является процесс индивидуального учусь набора агентов с собственными объем памяти и их социальное обучение с точками знаний в библиотеке социального обмена. Он был использован для решения непрерывная оптимизация,^[2][3] целочисленное программирование,^[4] и комбинаторная оптимизация проблемы. Он был включен в NLPSolver расширение Calc в Apache OpenOffice.

Алгоритм

Позволять ${\displaystyle f(x)}$ задача глобальной оптимизации, где ${\displaystyle x}$ состояние в проблемном пространстве ${\displaystyle S}$. В ШОС каждое государство называется точка знания, а функция ${\displaystyle f}$ это функция доброты.

В ШОС проживают ${\displaystyle N_{c}}$ когнитивные агенты решают параллельно с библиотекой социального обмена. Каждый агент хранит частную память, содержащую одну точку знаний, а библиотека социального обмена содержит набор ${\displaystyle N_{L}}$ очки знаний. Алгоритм работает в Т итеративные циклы обучения. Работая как Цепь Маркова процесс, поведение системы в т-й цикл зависит только от состояния системы в (т - 1) цикл. Последовательность процесса выглядит следующим образом:

• [1. Инициализация] ： Инициализировать частную точку знаний ${\displaystyle x_{i}}$ в памяти каждого агента ${\displaystyle i}$, и все точки знаний в библиотеке социальных сетей ${\displaystyle X}$, обычно случайным образом в проблемном пространстве ${\displaystyle S}$.
• [2. Цикл обучения] ： В каждом цикле ${\displaystyle t}$ ${\displaystyle (t=1,\ldots ,T)}$：
  • [2.1. Наблюдательное обучение] Для каждого агента ${\displaystyle i}$ ${\displaystyle (i=1,\ldots ,N_{c})}$：
    • [2.1.1. Выбор модели] ： Найдите качественный модельная точка ${\displaystyle x_{M}}$ в ${\displaystyle X(t)}$ , обычно реализуется с использованием выбор турнира, который возвращает лучшую точку знаний из случайно выбранных ${\displaystyle \tau _{B}}$ точки.
    • [2.1.2. Оценка качества] ： Сравните частные знания ${\displaystyle x_{i}(t)}$ и модельная точка ${\displaystyle x_{M}}$， И верните более качественный как базовая точка ${\displaystyle x_{Base}}$， И еще один ориентир ${\displaystyle x_{Ref}}$。
    • [2.1.3. Обучение] ： Объединить ${\displaystyle x_{Base}}$ и ${\displaystyle x_{Ref}}$ для создания новой точки знания ${\displaystyle x_{i}(t+1)}$. Обычно ${\displaystyle x_{i}(t+1)}$ должно быть рядом ${\displaystyle x_{Base}}$， И расстояние с ${\displaystyle x_{Base}}$ связано с расстоянием между ${\displaystyle x_{Ref}}$ и ${\displaystyle x_{Base}}$, и здесь должен быть включен механизм обработки границ, чтобы гарантировать, что ${\displaystyle x_{i}(t+1)\in S}$.
    • [2.1.4. Обмен знаниями] ： Делитесь точкой знаний, как правило ${\displaystyle x_{i}(t+1)}$в библиотеку социальных сетей ${\displaystyle X}$.
    • [2.1.5. Индивидуальное обновление] ： Обновить личные данные агента ${\displaystyle i}$, обычно заменяют ${\displaystyle x_{i}(t)}$ к ${\displaystyle x_{i}(t+1)}$. Можно также рассмотреть некоторые типы Монте-Карло.
  • [2.2. Обслуживание библиотеки] ： Библиотека для обмена в социальных сетях, использующая все точки знаний, представленные агентами для обновления. ${\displaystyle X(t)}$ в ${\displaystyle X(t+1)}$. Простой способ - поочередный отбор турниров: за каждую точку знаний, представленную агентом, замените худшую из ${\displaystyle \tau _{W}}$ точки, случайно выбранные из ${\displaystyle X(t)}$.
• [3. Прекращение] ： Вернуть лучшую точку знаний, найденную агентами.

У ШОС есть три основных параметра: количество агентов. ${\displaystyle N_{c}}$, размер библиотеки социального обмена ${\displaystyle N_{L}}$, и цикл обучения ${\displaystyle T}$. В процессе инициализации общее количество точек знаний, которые должны быть сгенерированы, равно ${\displaystyle N_{L}+N_{c}*(T+1)}$, и не слишком связан с ${\displaystyle N_{L}}$ если ${\displaystyle T}$ большой.

По сравнению с традиционными алгоритмами роя, например оптимизация роя частиц, SCO может добиваться качественных решений, ${\displaystyle N_{c}}$ маленький, даже если ${\displaystyle N_{c}=1}$. Тем не менее, меньшие ${\displaystyle N_{c}}$ и ${\displaystyle N_{L}}$ может привести к преждевременное схождение. Некоторые варианты ^[5] были предложены, чтобы гарантировать глобальную конвергенцию. Также можно создать гибридный метод оптимизации, используя SCO в сочетании с другими оптимизаторами. Например, SCO гибридизировали с дифференциальная эволюция для получения лучших результатов, чем отдельные алгоритмы, на общем наборе тестовых задач ^[6].

Рекомендации

1. Се, Сяо-Фэн; Чжан, Вэнь-Цзюнь; Ян, Чжи-Лянь (2002). Социально-когнитивная оптимизация для задач нелинейного программирования. Международная конференция по машинному обучению и кибернетике (ICMLC), Пекин, Китай: 779-783.
2. Се, Сяо-Фэн; Чжан, Вэнь-Цзюнь (2004). Решение задач инженерного проектирования путем социальной когнитивной оптимизации. Конференция по генетическим и эволюционным вычислениям (GECCO), Сиэтл, Вашингтон, США: 261-262.
3. Сюй, Ганг-банда; Хан, Ло-Чэн; Юй Мин-Лун; Чжан, Ай-Лан (2011). Оптимизация реактивной мощности на основе улучшенного алгоритма социальной когнитивной оптимизации. Международная конференция по мехатронике, электротехнике и информатике (MEC), Цзилинь, Китай: 97-100.
4. Вентилятор, Caixia (2010). Решение целочисленного программирования на основе алгоритма социальной когнитивной оптимизации максимальной энтропии. Международная конференция по информационным технологиям и научному менеджменту (ICITSM), Тяньцзин, Китай: 795-798.
5. Сунь, Цзя-цзе; Ван, Шу-янь; Чэнь, Хао (2014). Социальный когнитивный оптимизатор с гарантированной глобальной конвергенцией. Математические проблемы в инженерии: Изобразительное искусство. № 534162.
6. Се, Сяо-Фэн; Liu, J .; Ван, Цзунь-Цзин (2014). «Система кооперативной групповой оптимизации». Мягкие вычисления. 18 (3): 469–495. arXiv:1808.01342. Дои:10.1007 / s00500-013-1069-8.