一般做外贸上什么网站好中企动力做的网站价格区间

一般做外贸上什么网站好,中企动力做的网站价格区间,网站策划的步骤,杭州软装公司排名前十强SHADE和SaDE跑CEC2017测试集对比图#xff0c;并分别连续运行30次并且输出最优值#xff0c;最差值#xff0c;平均值#xff0c;标准差 基于成功历史的参数自适应差分进化算法(SHADE)是经典的差分进化变体#xff0c;该论文发表于2013年#xff0c;性能非常有参考价值并分别连续运行30次并且输出最优值最差值平均值标准差 基于成功历史的参数自适应差分进化算法(SHADE)是经典的差分进化变体该论文发表于2013年性能非常有参考价值可用于和其他算法进行对比试验该算法尤其是在CEC测试集上有着优秀的表现将此算法用作对比算法可以极大增强试验的说服力。 提升论文被录用的概率。 参考文献Ryoji Tanabe and Alex Fukunaga. Success-history based parameter adaptation for differential evolution. In2013 IEEE Congress on Evolutionary Computation, pages 71–78, 2013. (SaDE)算法是差分进化的一个变种其主要特点是引入了自适应机制来动态调整算法参数例如变异和交叉概率。 SaDE尝试通过自适应地调整这些参数来提高算法的性能以更好地适应不同类型的优化问题。 SaDE通过考虑个体之间的交互和适应性来改进解的质量从而提高了差分进化算法的鲁棒性和全局搜索能力。 参考文献Self-adaptive Differential Evolution Algorithm for Numerical Optimization 部分代码及实验结果如下直接上干货。最近用SHADE和SaDE这两个自适应差分进化算法跑CEC2017测试集发现它们在不同类型问题上确实各显神通。先说结论SHADE在20维以上的高维问题上稳如老狗而SaDE在非线性约束问题上时不时能爆种。实验配置很简单粗暴——每个测试函数连续跑30次统计最优、最差、均值和方差。看这段核心循环代码就知道实验有多肝for func_num in range(1, 30): stats {SHADE: [], SaDE: []} for _ in range(30): shade_result SHADE.run(CEC2017(func_num, dim30)) sade_result SaDE.run(CEC2017(func_num, dim30)) stats[SHADE].append(shade_result[0]) stats[SaDE].append(sade_result[0]) print(fF{func_num} SHADE最优:{np.min(stats[SHADE]):.2e} 方差:{np.std(stats[SHADE]):.2e})注意CEC2017的函数地形复杂程度是分等级的。在F1-F3这种单峰函数上两个算法都能快速收敛但SHADE的平均值总能比SaDE低1~2个数量级。这得益于它的成功历史存档机制简单说就是算法会记住哪些参数组合曾经带来过好结果遇到类似地形直接套用经验包。转折点出现在混合函数F17-F22。比如F20这个带旋转的混合函数SaDE的变异策略自适应开始发力。看某次运行时的参数变化曲线图中明显看到当算法陷入停滞时SaDE会主动把变异概率F从0.5跳到0.8同时交叉率CR突然降到0.2。这种大力出奇迹的参数突变多次帮助跳出局部最优而SHADE相对保守的参数调整策略这时候反而成了拖累。不过到了复合函数F28-F30SHADE又扳回一城。特别是F30的搜索空间存在大量欺骗性拐点SHADE的历史存档机制此时就像老司机开车遇到急弯提前减速换道。30次运行的标准差基本控制在1e-3级别而SaDE偶尔会飙到1e-1——说明其自适应机制在极端复杂地形下还不够稳定。最后给个选型建议如果要写论文需要baseline对比优先用SHADE。不仅因为它的参数自适应逻辑已经被大量论文验证更重要的是CEC系列测试集的特性旋转、偏移、噪声等刚好打在SHADE的优势区。文末附的参考文献[1]里那个自适应公式建议背下来答辩时现场推导能唬住不少评委。