arXiv cs.AI· Jun Zhang, Tong Qian, Hua Ding, Zhi-Hui Zhan, Wei-Jie Yu, Jian-Yu Li·· 1 天前AI 评分23
轮廓辅助进化计算：从已评估解的等高线估计峰值
Contour-Assisted Evolutionary Computation: Estimating Peaks From the Contour Lines of Evaluated Solutions
AI 导读
论文提出轮廓辅助进化算法（CA-EA），将已评估解视为地形测量的高程点并绘制等高线，用持久性轮廓树与插值表面爬山定位峰值，再按面积律外推估计峰值位置、高度与形状。
正文 · AI 翻译
摘要：进化算法（EA）会评估许多候选解，但主要用它们来对个体进行排序。本文将评估过的解视为地形测量中的高程点，并绘制出它们所隐含的等高线。等高线图将评估区域分解为峰：在二维中，带持久性的等高线树将显著的峰与插值波纹区分开；在更高维中，在插值曲面上进行爬山可定位峰，并用射线投射水平集来描述它们。对已探索峰的记忆会将搜索引导至新的峰。每个峰由数据支撑的等高线通过面积定律外推到零尺寸，该定律对二次峰精确，对光滑峰具有二阶精度，可在采样之前估计峰的位置、高度和形状。等高线辅助 EA（CA-EA）将等高线步骤连同局部搜索和峰记忆插入遗传算法（GA）、差分进化或粒子群优化中。针对昂贵问题的等高线辅助代理辅助 EA（CA-SAEA）将每次评估用于经代理筛选的后代，或用于在峰周围采样，并从插值曲面的最大值处进入。在二维基准上，CA-EA 将普通 GA 所需的评估次数减少了 12 到 112 倍；对照实验将其相对于经典模因搜索的增益归因于在不同峰上重新启动局部搜索。在 10 维和 30 维的 CEC 2015 昂贵测试集上，CA-SAEA 的平均排名第二，落后于 DYCORS，领先于 lq-CMA-ES 和竞赛获胜者 MVMO，尽管在 30 维中 MVMO 在 9 个函数上显著获胜，在 6 个函数上落败；在那里，该地图在 15 个函数中的 5 个上优于在最佳点周围采样，在 3 个上落败。在这些预算下，从外推位置进入峰没有带来增益，不过，在样本足够多时，它能改善大多数二维函数上的估计高度。
| 评论： | 15 页；补充材料（10 页）作为辅助文件提供 |
| 主题： | 神经与进化计算（cs.NE）；人工智能（cs.AI）；优化与控制（math.OC） |
| 引用为： | arXiv:2611.15641 [cs.NE] |
| （或针对此版本的 arXiv:2611.15641v1 [cs.NE]） | |
| https://doi.org/10.48550/arXiv.2611.15641 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Jun Zhang [查看电子邮件]
[v1]
2026 年 11 月 11 日星期三 15:53:55 UTC（2,990 KB）
来源：arXiv cs.AI · arxiv.org