即插即用的全新算法改進策略——引導學習策略:一種用于元啟發(fā)式算法設計和改進的新型更新機制
元啟發(fā)式算法(MH)是自然啟發(fā)的全局優(yōu)化算法,往往比較簡單,可以在短時間內解決問題,具有一定的好處。但是,隨著問題變得更加復雜,算法所能獲得的解往往不是問題的最優(yōu)解,這就限制了其應用場景。因此,提高現有算法的性能和求解精度對于擴展其應用能力至關重要。在傳統(tǒng)優(yōu)化算法中,往往有兩個概念,即探索和利用。探索是指大范圍的離散搜索,用于避免陷入局部最優(yōu),而利用是指小范圍的集中探索,用于提高算法精度。 如何平衡探索與利用是增強算法性能和問題適應性的關鍵。本文提出了一種全新的策略,命名為引導學習策略(GLS)來解決上述問題。GLS通過計算近幾代個體歷史位置的均方差來獲得種群的分散程度,并推斷出算法當前需要什么指導。當算法偏向于探索時,就會引導算法去探索。反之,就會引導算法去探索。正是因為這種策略能夠識別算法當前的需求并提供輔助,才能提高大多數算法的性能。