Redefined decision variable analysis method for large-scale optimization and its application to feature selection
作者贡献
-
为了检测收敛变量之间的相互关系，提出了一种重新定义的低消耗DVA（R-DVA）。具体而言，R-DVA采用分层聚类方法，通过样本解与参考点之间的距离来衡量特征，可以有效地检测收敛变量之间的相互关系，节省大量的评估消耗。
-
为了提高种群的性能，设计了一种具有两种搜索模型（即组内和组间优化）的进化状态导向进化（EsoE）策略。具体而言，利用组内优化技术加快了种群在勘探状态下监测的收敛速度。此外，在群间优化中设计了一种基于质量的细分CSO，旨在增强开发状态下种群监测时的种群分布。通过这种方式，可以通过 EsoE 策略平衡收敛和多样性。
-
实验
总体框架
算法分析
algorithm1:
algorithm2:
reference point: 应该就是目标空间所有目标上的最小值点。
通过算法3我们可以得到收敛性相关的变量下标集合CI，以及多样性相关的下标记集合DI。
line 5 开始：
随机从种群P中挑选nSel个采样解。
对这n个采样解的CI集合中的下标分别进行扰动。（例如，两个采样解A1，A2.那么分别都对这两个采样解对xi扰动然后计算到reference point的距离的局方误差，然后就是xj.....）
这样可以得到所有变量（CI）的一个到reference point距离的均方误差值用于层次聚类。
algorithm 3：
algorithm 4：
算法4其实就是在判断当前阶段应该要做什么。作者提出了两个可能（1.加强种群的收敛性。2.加强种群的多样性）
如何去判断？
设置minH记录在进化过程中所得的solution距离参考点最近的距离。minA记录目前种群中solution离参考点最近的距离。if(minA/minH >= 1.2)?
YES，进入组内优化 探索阶段强化收敛性
NO，进入组间优化 开发阶段 强化多样性
intra-group optimization via DE operator :
其中 F 是比例因子，子组件 （i） 表示用于存储相互关联的收敛变量的第 i 个子组件组，xp1 是从当前父种群 P 中选择的解决方案，\(x^c\) 是子组，\(x^{p1}_ k\) 表示 \(x^{p1}\) 中的第 k 个决策变量，（\(x^{p2}\) ,\(x^{p3}\) ） 是 \(x^{p1}\) 的两个邻居。
inter-group optimization via CSO operator:
