Обучение эволюционному поиску на оркестрах: глубокое обучение с целью динамического DE-CMA-ES в области оптимизации и обновления структурных моделей

arXiv: 261 0.111546v1 Аннонс Тип: перекрестное резюме: Решение проблем с обновлением высокомерных структурных моделей требует алгоритма, способного управлять сложными невыпущенными ландшафтами со взаимосвязанными параметрами. Существующие гибридные эволюционные алгоритмы обычно основываются на статических архитектурах или фиксированных правилах переключения, что приводит к несвязанным этапам поиска. Для решения этой проблемы в настоящем исследовании предлагается алгоритм " Дип Усиление обучения-управляемое динамическая система DE-CMAES Orchestration (DRL-DCO), в котором детерминистский графический элемент политики на основе Deep Deterministic Policy Gradient (DDPG) непрерывно регулирует процесс эволюции как единую, унифицированную систему, а не механический конкаент алмазов. В соответствии с принципом государственного представительства, учитывающего прогресс и многообразие, агент постепенно перераспределяет вычислительные ресурсы между исследованием дифферекторной эволюции (ДЭ) на основе дифференциальной модели и использованием CMA-ES в качестве ковариативного фактора при совместном регулировании численности населения e.