Language agnostic 噪声环境下的简单一维粒子群优化算法
我正在试验粒子群优化，并试图确定以下简单场景的最佳方法：Language agnostic 噪声环境下的简单一维粒子群优化算法,language-agnostic,optimization,particles,particle-swarm,Language Agnostic,Optimization,Particles,Particle Swarm,我正在试验粒子群优化，并试图确定以下简单场景的最佳方法： 优化一维函数（即粒子沿单线移动） 要优化的功能可以在线路上的任何点进行采样 为每个位置采样的“值”非常嘈杂 优化的基本功能（不包括噪音）非常简单（例如，具有单个全局最大值的金字塔，或具有不同高度的两个驼峰） 解决这个问题的最佳粒子群设计是什么，即用最少的样本数高效地发现最优解？我认为粒子群优化不适合你的情况 PSO存储到目前为止找到的最大值及其位置。。因此，如果最大值只是由噪声引起的，那么它将一直停留在那里 你必须修改普通粒子群算法，
- 优化一维函数（即粒子沿单线移动）
- 要优化的功能可以在线路上的任何点进行采样
- 为每个位置采样的“值”非常嘈杂
- 优化的基本功能（不包括噪音）非常简单（例如，具有单个全局最大值的金字塔，或具有不同高度的两个驼峰）
解决这个问题的最佳粒子群设计是什么，即用最少的样本数高效地发现最优解？我认为粒子群优化不适合你的情况 PSO存储到目前为止找到的最大值及其位置。。因此，如果最大值只是由噪声引起的，那么它将一直停留在那里
你必须修改普通粒子群算法，以考虑最近发现的maximums（不是最终的全局最大值）
的加权平均值。 我建议你看看：模糊粒子群优化 但这个课题仍处于研究阶段，所以你可能会发现很难找到它您也可以转到模拟退火，这更适合您的情况…尝试向适应度函数添加一个范围，并评估统计值，如平均值、变异值以及粒子的y值与周围标准偏差之间的差。谢谢！在这种情况下，噪声问题似乎排除了PSO。我想我会沿着模拟退火的轨道走下去。。。。