研究提出CMDO优化算法，引入认知记忆驱动自适应搜索
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究提出无导数优化器CMDO，将搜索经验表示为上下文、行为与结果的关联，并按工作、情景与整合记忆分类存储。算法依当前状态相似度检索正负经验，重构搜索策略而非复现旧解，包含自适应几何的探索、定向与局部行为。在BBOB/COCO及CEC2017测试中，CMDO对比DE、CMA-ES等展现竞争力，在CEC2017 F10取得对比中最低中位误差。搜索轨迹分析证实，依赖上下文的回忆改变了行为分布，失败经验作为负证据影响后续决策，表明显式记忆机制能有效控制种群搜索。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载认知记忆机制设计
传统基于种群的优化方法常通过成功解、参数自适应或算子表现利用先前搜索信息，但极少保留搜索行为成功或失败的上下文。CMDO算法将经验显式表示为搜索上下文、搜索行为与观测结果三者间的关系。这些经验被组织在工作记忆、情景记忆与整合记忆中，并根据与当前搜索状态的相似度进行检索。检索出的经验不复现先前的候选位置，而是选择搜索配方，通过具有自适应搜索几何的探索、定向和局部搜索行为从当前种群中重构。
评测表现与对比
CMDO在BBOB/COCO黑盒优化基准测试套件及CEC2017问题上进行评估，对比算法包括DE、CMA-ES、SHADE、GWO、HHO和ORCA。此外，还将其应用于使用实测电流-电压数据的七参数光伏模型估计。结果显示其优化性能虽具问题依赖性，但具备竞争力，其中在CEC2017 F10问题上取得了所有对比方法中的最低中位误差。
经验对搜索行为的影响
对搜索轨迹的分析表明，依赖上下文的回忆改变了已执行搜索行为的分布。同时，不成功的经验作为负证据保留，供后续决策使用。这证实了积累的经验直接影响后续搜索行为，支持将显式的上下文-行为-结果记忆作为控制种群搜索的主动机制。
为什么值得看
为种群优化引入显式认知记忆机制，利用正负经验动态改变搜索行为分布，为自适应搜索提供新范式。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。