Социально-когнитивная оптимизация

Социальная когнитивная оптимизация (SCO) — это популяционный алгоритм метаэвристической оптимизации , разработанный в 2002 году. Этот алгоритм основан на социальной когнитивной теории , а ключевым моментом эргодичности является процесс индивидуального обучения набора агентов с их собственной памятью и их социального обучения с помощью точек знаний в библиотеке социального обмена. Он использовался для решения непрерывной оптимизации , целочисленное программирование , и комбинаторной оптимизации задачи . Он был включен в расширение NLPSolver для Calc в Apache OpenOffice .

Алгоритм

Позволять $f(x)$ быть глобальной задачей оптимизации, где $x$ это состояние в проблемном пространстве $S$. В SCO каждое состояние называется точкой знаний , а функция $f$ это функция доброты .

В ШОС проживает население $N_{c}$ когнитивные агенты решают задачи параллельно с помощью библиотеки социального обмена. Каждый агент имеет личную память, содержащую одну точку знаний, а библиотека социального обмена содержит набор $N_{L}$ очки знаний. Алгоритм работает в итеративных циклах обучения. При работе как процесса цепи Маркова поведение системы в t -м цикле зависит только от состояния системы в ( t - 1)-м цикле. Ход процесса следующий:

• [1. Инициализация]: инициализировать частную точку знаний. $x_{i}$ в памяти каждого агента $i$и все очки знаний в библиотеке социальных сетей. $X$, обычно случайно в проблемном пространстве $S$.
• [2. Цикл обучения]: В каждом цикле $t$ $(t=1,\ldots ,T)$：
  • [2.1. Обучение через наблюдение] Для каждого агента $i$ $(i=1,\ldots ,N_{c})$：
    • [2.1.1. высокого качества. Выбор модели]: Найдите точку модели $x_{M}$ в $X(t)$ , обычно реализуется с помощью выбора турнира , который возвращает лучшее очко знаний из случайно выбранных $\tau _{B}$ точки.
    • [2.1.2. Оценка качества]: Сравните частную точку знаний. $x_{i}(t)$ и модельная точка $x_{M}$ тот, у которого более высокое качество ，и вернуть в качестве базовой точки $x_{Base}$，и еще один в качестве ориентира $x_{Ref}$。
    • [2.1.3. Обучение]: Объединить $x_{Base}$ и $x_{Ref}$ создать новую точку знаний $x_{i}(t+1)$. Обычно $x_{i}(t+1)$ должно быть рядом $x_{Base}$，и расстояние с $x_{Base}$ связано с расстоянием между $x_{Ref}$ и $x_{Base}$, и сюда следует включить механизм обработки границ, чтобы гарантировать, что $x_{i}(t+1)\in S$.
    • [2.1.4. Обмен знаниями]: обычно делитесь знаниями. $x_{i}(t+1)$, в библиотеку социальных сетей $X$.
    • [2.1.5. Индивидуальное обновление]: обновление личных данных агента. $i$, обычно заменяют $x_{i}(t)$ к $x_{i}(t+1)$. Также можно рассмотреть некоторые типы Монте-Карло.
  • [2.2. Обслуживание библиотеки]: библиотека социального обмена, использующая для обновления все точки знаний, представленные агентами. $X(t)$ в $X(t+1)$. Простой способ — поочередный отбор турниров: за каждое очко знаний, сданное агентом, заменяйте худшее среди $\tau _{W}$ точки, случайно выбранные из $X(t)$.
• [3. Прекращение]: вернуть лучший балл знаний, найденный агентами.

SCO имеет три основных параметра: количество агентов. $N_{c}$, размер библиотеки социального обмена $N_{L}$и цикл обучения $T$. В процессе инициализации общее количество очков знаний, которые необходимо сгенерировать, равно $N_{L}+N_{c}*(T+1)$и не слишком тесно связан с $N_{L}$ если $T$ большой.

По сравнению с традиционными роевыми алгоритмами, например оптимизацией роя частиц , SCO может достигать высококачественных решений, поскольку $N_{c}$ мал, даже если $N_{c}=1$. Тем не менее, меньший $N_{c}$ и $N_{L}$ может привести к преждевременному сближению . Некоторые варианты были предложены, чтобы гарантировать глобальную конвергенцию. Также можно создать гибридный метод оптимизации, используя SCO в сочетании с другими оптимизаторами. Например, SCO был гибридизирован с дифференциальной эволюцией , чтобы получить лучшие результаты, чем отдельные алгоритмы, при решении общего набора контрольных задач.