本当に忙しすぎて、ようやく CSDN を更新して自分の作品を紹介する時間ができました
「エネルギー効率の高い分散型柔軟なジョブ ショップ スケジューリングのための、驚くほど人気のある適応型ミーム アルゴリズム」 IEEE Transactions on Cybernetics に掲載されました。
原文リンク - ダウンロード可能
Matlab コード
IEEE 原文引用リンク
背景
2016 年に Nature 誌に掲載された手紙の中で、著者はデータ収集とベイズの確率公式を使用して群衆の間の意思決定を修正し、アンケートから真に正しい答えを見つける方法について説明し、改訂版を提供しました。このアルゴリズムは、Amazing Popular Algorithm と呼ばれています。
一般的なプロセスは、次の図に示されています。米国のペンシルベニアはフィラデルフィア最大の都市であるため、ほとんどの人はペンシルベニアがフィラデルフィアの州都であると考えています。 , しかし、実際にはフィラデルフィアの州都はハリスバーグです。これは、グループ内の人々が客観的な専門知識ではなく、主観的な意識や経験に基づいて意思決定を行っているためです。子供の頃に地理を学ばなかった人が、深センが広東省で最も発展した都市だと思い込んでいて、深センが広東省の首都だと誤解していたのと同じように、実際には広州が広東省の首都です。このようなケースをきっかけに、著者のプレレックは市場調査を実施し、このパターンを発見しました。
人口法: 人口の各部分が個人に分割されている場合、決定に対して各人に正しい、間違っている、棄権する、数を数えるなどの独自の答えを与えます。スケール R を評価し、その答えに対する推定人気 E を答えてもらいます。次に、ベイズの確率公式を使用して修正し、各回答の割合に母集団におけるその真の割合を乗算することで、各回答の真の人気度が計算されます。たとえば、「はい」の本当の人気度は以下の通りで、これを88.2に補正し、「いいえ」の確率を11.8に補正すると、正解を知っている人もこれは冷たい知識だと思っていることが分かり、全く学んだことがない人も同じだと考えています。それは絶対に分からないでしょう。次に、推定人気度 E と実際の人気度 P の比を計算して、予想外の人気度 SPD=E/D を求めます。予想外の人気が 1 より大きい答えが正解であることがわかります。
この観点を検証するために、著者は別の都市で調査を行ったところ、パターンが一貫していることがわかりました。これは、グループ内の無知な人々が盲目的に楽観的であり、他の人もそう考えているに違いないと考える一方、専門知識を持っている人々は確かに少数派であり、真実は少数の人々の手に握られているということを示しています。
SPA を使用して NBA や NFL のプレーオフ チャンピオンを予測する人もいますが、その結果は正しく、これが非常に強力なアルゴリズムであることを示しています。これらの論文は、IJCAI や Machine Learning などのトップ ジャーナルに掲載されています。
吉林大学の wuxuan 氏は、PSO の交差演算子の選択を改善するために SPA を使用しました。PSO の交差演算子の選択では、進化のために類似の距離を持つ演算子が選択されることがよくあります。ただし、人口空間のトポロジ関係により、ユークリッド距離が最も近い演算子は選択されません。最近では一番いいはず。したがって、SPA を使用して統計的確率を修正し、最終的に真に近くて密集していない交差個体を見つけ、すべての CEC チャンピオン PSO アルゴリズムを上回る最高の結果を達成しました。
wuxuan はこの研究により、吉林大学優秀修士論文も受賞しました。
モチベーション
wuxuan に触発されて、私はこの種のテクノロジーを分散型フレキシブル ジョブ ショップのスケジュール問題などの離散最適化にどのように適用できるだろうかと考えていました。このアルゴリズムには、決定を変更する機能もあります。経験主義は意思決定の際にも現れ、意思決定の誤りを引き起こし、進化を遅らせるのでしょうか？
思い浮かぶ最も直接的な方法: ワークショップのスケジューリング問題では、検索用に複数のオペレーターが設計されますが、オペレーターが異なると期間ごとにパフォーマンスが異なるため、過去の経験に基づくものを含め、多くの適応的な方法が存在します。ジェイドなど。そして、歴史的な経験は過去 50 世代ほどの影響を受けるため、現代では一部の真に有能なオペレーターにコンピューティング リソースをタイムリーに割り当てることができません。したがって、SPA は、現代のすべてのオペレーターの成功率と推定成功率を調査およびカウントすることで、オペレーターのリソース割り当てをタイムリーに修正できます。
アルゴリズム
一般的なプロセスは図に示されており、まず、オペレーターが過去の経験に基づいてリソースを割り当て、次に、各サブ母集団オペレーターの成功率をカウントし、累積和を過去の成功率 (ベイズ確率に相当) に加算します。修正), そして、このラウンドの分配確率は、前のラウンドの過去の成功率、つまり推定成功率です。次に、推定成功率と現在の成功率を比較して、予想外の人気が得られることがわかります。人気は 1 より大きくなります。潜水艦は最近非常に効果的であるため、より多くのリソースを割り当てる必要があります。
実験結果
Mk テスト セットに基づいて、20 の異なる分散 FJSP 問題が設定されました。アブレーション結果が収集された後、HV、GD、Spread 指標の平均値が計算され、フリードマン ランク合計が計算されました。テストが実行されました
SPAVNS と VNS を比較すると、さまざまな指標のランキングが向上していることがわかります。 SPAの修正が一定の役割を果たしていることが分かる。
短所: 設計された SPA アルゴリズムはまだ本質的に設計されておらず、進化的コンピューティングと組み合わせることができるシナリオはさらに多く、将来の世代の開発が待たれます。
