结合近邻传播聚类的世界生成神经网络优化器

为了解决黑盒问题优化领域中传统优化算法在学习问题结构时存在缺乏样本多样性的问题,设计结合近邻传播聚类的世界生成神经网络优化器。该优化器通过独特的世界模型与采样生成器进行协同学习,完成对问题结构的学习并生成更加多样化的解,以此为基础提出新的优化算法;将所提出的算法与5种有代表性的算法在12个不同特征的优化问题上进行多角度的对比。结果表明,结合近邻传播聚类的世界生成神经网络优化器在不同特征基准问题上平均性能达到最优,准确度平均排名第一,证明了结合近邻传播聚类的世界生成神经网络优化器在学习问题结构的有效性,同时增加了样本的多样性。