计算机科学 > 神经与进化计算
[提交于 2024年12月22日
(v1)
,最后修订 2025年1月29日 (此版本, v2)]
标题: 使用模拟退火优化LPB算法
标题: Optimizing LPB Algorithms using Simulated Annealing
摘要: 基于学习者表现的行为算法(LPBSA)是对基于学习者表现的行为(LPB)算法的改进。 LPBSA,像LPB一样,已被证明能够处理单个和复杂问题。 模拟退火(SA)已被用作一种强大的技术来优化LPB。 LPBSA提供的结果优于流行的算法,如遗传算法(GA)、粒子群优化(PSO),甚至LPB。 本研究通过提供一个主种群并将其分为良好种群和不良种群,然后应用交叉和变异算子来描述改进算法的工作流程。 当在交叉阶段产生一些个体时,它们必须经过变异过程。 在这两个步骤之间,我们使用Metropolis接受准则(MAC)应用了SA,仅接受最佳和最有用的个体用于下一次迭代。 最后,结果表明种群得到了增强,从而提高了效率,并验证了LPBSA的性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.