合作协同进化算法概述（Cooperative Coevolution）

pulbieup

合作协同进化（Cooperative Coevolution）是求解大规模优化算法一个有效的方法。将大规模问题分解为一组组较小的子问题。而合作协同进化的关键是分解策略。
  E. T7 M$ [/ x% V5 T) |2 M

8 e$ v6 Q2 \) n分解策略的分类:

5 J6 C! Y% d6 W. ~% m①随机分解：随机选择基因的顺序，但是用户要决定组的数量和组的大小。
' O' J2 s! w( C" X% l3 F% j9 ^% Q
②扰动：使用若干方法扰动决策变量尝试对变量进行分组。
8 q: V3 F# A+ H; M9 }
③模型建构：基于个体数量s的概率模型，在进化过程中迭代更新。
* m% H# c' h. i
" \; N; R& W7 h/ _1 H( i& b0 v' j/ M
; `1 V8 w# F# c& p, r* R! R, r
  c, f0 I. j- }. b, g1 O8 _下面是CC算法不同的分解策略体现的论文:
+ t) b" ^3 v! \4 l& \7 e% ?
5 O9 P: D! I6 ?$ [7 {Liu, X. Yao, Q. Zhao, and T. Higuchi, “Scaling up fast evolutionary
! Y1 C7 {. f, d! X- Lprogramming with cooperative coevolution,” in Proc. IEEE Congr. Evol.
8 B8 Y- L9 ~* C7 O5 P9 QComput., 2001, pp. 1101–1108.（这是第一次解决1000维的基准问题采用的合作协同进化算法）
# N4 ?" h, m) \+ dvan den Bergh and A. P. Engelbrecht, “A cooperative approach to
7 v, v" G2 k7 X% ]particle swARM optimization,” IEEE Trans. Evol. Comput., vol. 8, no. 3,225–239, Jun. 2004.（这是第一个应用到PSO算法，将一个n维问题分成k-s维问题，没有在大规模的问题上测试过）

- b; L3 l5 Z! m; o6 z% h& f
6 X1 v  E- d7 _- Q$ f! X. W- g
) Q# {* M3 f! K. b: y" p* K3 _Shi, H. Teng, and Z. Li, “Cooperative co-evolutionary differential
/ X8 z* Z$ D" ~8 a. ?6 Tevolution for function optimization,” in Proc. Int. Conf. Natural Comput.,
+ j( @5 F5 F  l( t  m; \' l2005, pp. 1080–1088.（应用在差分进化算法中，决策变量被分成两个同样大小的子成分，不适合高维）
) Y0 x& R3 A* J- P: gYang, K. Tang, and X. Yao, “Large scale evolutionary optimization
using cooperative coevolution,” Inf. Sci., vol. 178, pp. 2986–2999,
  |3 S* F4 }+ k2 a1 D8 j7 VAug. 2008.（将问题分成k-s维问题，使用随机分组，在1000维上取得了很好的效果）

N. Omidvar, X. Li, Z. Yang, and X. Yao, “Cooperative coevolution
* K2 D7 Q0 v+ J) L% efor large scale optimization through more frequent random
. [/ \9 y! J% y8 c. s$ `2 bgrouping,” in Proc. IEEE Congr. Evol. Comput., Jul. 2010,1754–1761.（修正的CPSO随机分组方案，达到2000维）

1 T$ h8 h4 ?9 E/ e2 x1 p
5 H8 c- n. ]; a* V6 F! K9 j
N. Omidvar, X. Li, and X. Yao, “Cooperative co-evolution with delta
. O. U0 A9 K. U  W2 \grouping for large scale non-separable function optimization,” in Proc.
IEEE Congr. Evol. Comput., Jul. 2010, pp. 1762–1769.（增量分组策略，当目标函数存在不可分子成分时性能低）
0 ~- w, A$ K# B9 D9 _( N% |


Yang, K. Tang, and X. Yao, “Multilevel cooperative coevolution
for large scale optimization,” in Proc. IEEE Congr. Evol. Comput.,
( Q- i% e/ R; B2 B( K- eJun. 2008, pp. 1663–1670.（MLCC算法，一组不同s的值（子成分的大小）提供给算法，缺点较多）


' z8 {+ |4 r: l% l
另外用CC算法做大规模优化的论文数量有不少。因此要应用CC算法，关键在分解策略提出。

yin123

合作协同进化算法概述（Cooperative Coevolution）