基于自适应空间扫描和混合聚类分组的大规模优化算法

摘要

针对大规模全局优化问题维度高、局部极值多以及计算负担大等特点，提出一种基于自适应空间扫描和混合聚类分组的大规模优化算法。通过设计自适应空间扫描算法对大规模问题的每一维进行优化，以初步找到较好的解，逐步缩小搜索空间，同时存储有关决策变量的重要信息。利用混合聚类分组方法对大规模完全不可分问题进行合理分组：借鉴机器学习中的聚类分组思想，基于密度和贡献度进行分组，提高相互关联变量被分到同一组的可能性；利用随机分组进一步增加分组的多样性，使求解过程更具灵活性。实验结果表明，所提算法在处理高维、多局部极值的大规模全局优化问题时，表现出更优的综合性能，能够快速且精准逼近全局最优解，充分验证了该算法的有效性。

关键词

大规模全局优化 / 问题分组(分解) / 自适应扫描 / 混合聚类分组 / 协同进化