蔣宗哲Chiang, Tsung-Che周彥辰Jou, Yann-Chern2020-10-192025-09-142020-10-192020http://etds.lib.ntnu.edu.tw/cgi-bin/gs32/gsweb.cgi?o=dstdcdr&s=id=%22G060647068S%22.&%22.id.&http://rportal.lib.ntnu.edu.tw:80/handle/20.500.12235/111716隨著科學技術的進步及大數據的時代來臨，我們面臨的最佳化問題越來越龐大，變數也越來越多，甚至多達上千個；隨著最佳化問題的維度增加，大部分演化演算法的性能將因此迅速惡化而陷入高維度災難。因此，近年來有越來越多的演化計算領域學者投入大規模全域最佳化問題的研究並應用於求解生活中的實際問題。 本研究結合目前兩大主流應用於大規模單目標實數最佳化的方法—協同演化框架 (CC) 和SHADE演算法，提出CBCCLS-mSHADE-RDG3 演算法。從大量的參數調整實驗到演算法行為設計與驗證，一步一步將CC與SHADE演算法結合。於CC框架下，我們採用RDG3 演算法做為問題分解策略；使用CBCC3 進行計算資源的分配，給予對整體適應值貢獻度高的子族群更多必須的計算資源提升演算法效能；以改良版 mSHADE演化子族群。另外，我們提出一個新穎的設計，於 CBCC3 架構下，對適應值貢獻度高的子族群除了使用mSHADE演算法進行演化外，我們以額外區域搜尋演算法MTS-LS1 協助提升最佳解之品質。此獨特設計從實驗結果驗證得知，不僅可以穩定LSGO問題解的品質，更可以提升求解部分可疊加分解問題的效能，整體演算法表現與近兩年的LSGO比賽優勝演算法相比頗具競爭力。none演化演算法協同演化大規模全域最佳化問題單目標實數最佳化問題SHADE演算法自適應控制區域搜索none