前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >高维(多变量)优化问题的技术与瓶颈

高维(多变量)优化问题的技术与瓶颈

作者头像
里克贝斯
发布2021-05-21 15:23:45
1.3K0
发布2021-05-21 15:23:45
举报
文章被收录于专栏:图灵技术域图灵技术域

现实世界中的优化问题往往具有较高的复杂度和维数,称为LSGO问题,即Large-Scale Global Optimization。

此问题在各个领域的研究工作中都引起了极大的兴趣。许多科学和工程应用程序被表述为LSGO问题,如设计大型电子系统,大量资源的调度问题,大规模交通中的车辆,路由问题网络,生物信息学中的基因识别,逆问题,化学动力学等。在过去的十年里,大量的元启发式为了显著提高处理算法的性能,开发了算法或改进算法LSGO问题。

下表是常见的处理LSGO问题的算法与技术:

下面列出了LSGO问题的挑战:

  • (1)搜索空间随着决策变量的数量呈指数增长;
  • (2)元启发式算法通常的需要的计算代价太大(维度多,时间长);
  • (3)基于分治思想的CC方法需要研究变量的交互性(关联性);
  • (4)高维特征的冗余性与不相关性较大(irrelevant and redundant)会降低算法的效率和性能。

以上问题导致了大多数解决大规模问题的算法在超过1000D的数据上效果很差。

参考文献:Mahdavi S, Shiri M E, Rahnamayan S. Metaheuristics in large-scale global continues optimization: A survey[J]. Information Sciences, 2015, 295: 407-428.

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018-09-10,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档