arXiv cs.AI· Wenjie Qiu, Hepei Li, Jianfeng Wang, Jun Zhang, Yue-Jiao Gong·· 12 小时前AI 评分18
WCC：一个基于学习的框架，决定大规模优化中何时应用协同进化
WCC: A Learning-Based Framework for Deciding When to Apply Cooperative Coevolution in Large-Scale Optimization
AI 导读
WCC 是一个基于学习的框架，用于动态决定大规模全局优化（LSGO）中何时部署协同进化（CC）。它将决策建模为马尔可夫决策过程，通过自回归策略在 CC 与非分解算法（NDA）之间进行细粒度动态切换，并无需专家设定即可条件性分配计算预算。WCC 在跨问题、优化视野和基线优化器上展现出强竞争力与泛化能力，以低预算实现“一次训练、重复使用”范式，显著降低 LSGO 成本。
正文 · AI 翻译
摘要：协同协同进化（CC）与非分解算法（NDA）是大规模全局优化（LSGO）的两种主要方法。尽管两者都取得了成功，但它们在不同问题类型上的表现差异显著，且各自面临特定方法的局限性，使得“何时使用 CC”这一问题仍未解决。我们通过 WCC 填补这一空白，WCC 是一种新颖的基于学习的框架，可动态决定在 LSGO 中何时部署 CC。WCC 采用精简设计以实现高效的自适应学习。我们将该决策建模为马尔可夫决策过程，设计有针对性的特征集、稳健的奖励以及定制的网络架构，为智能体提供关于问题状态和优化进度的丰富信息。我们的自回归策略使 WCC 能够在 CC 与 NDA 之间进行细粒度、动态的切换，同时无需专家指定即可有条件地分配计算预算。WCC 在跨问题、优化时域和基线优化器方面展现出强大的竞争力和卓越的泛化能力。它在低预算下实现了“一次训练、重复使用”的范式，显著降低了 LSGO 成本。此外，深入分析得出了现有理论未能捕捉的洞见，为何时以及如何有效部署 CC 提供了实用指导。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37329 [cs.LG] |
| （或 arXiv:2610.37329v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37329 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Wenjie Qiu [查看邮箱]
[v1]
2026年10月27日星期二 14:37:10 UTC（1,015 KB）
来源：arXiv cs.AI · arxiv.org