多种局部搜索算法以找到全局最优
Multiple local search algorithms to find global optima
所以我对整个进化和遗传算法世界还很陌生，我现在正在编写一个优化数组和 return 最佳解决方案 - 适应度的过程。
我现在的算法是通过模拟退火优化的，我可以通过改变冷却速度和起始温度来改变种群的压力和多样性来得到不同的结果，效果很好。我的问题是，在一种算法中使用两种不同类型的本地搜索是否可行？例如，假设我将迭代次数限制为 5000。是否值得使用 4000 进行模拟退火，然后将剩余的 1000 用于爬山局部搜索，以从第一次局部搜索中找到的值中找到最优解？还是在一种算法中使用两种不同的本地搜索不是标准做法？我是这个编程世界的新手，所以我愿意接受任何建议！
我使用受激退火 (SA) 来帮助我优化 delta 型 3d 打印机中的误差估计。我正在将 34 自由度误差函数拟合到样本误差图。我 运行 300 万次 SA 迭代，然后是爬山 (HC)。 HC 减少了错误（成本）函数值。我不知道这很常见，但它对我有用。
典型结果：原始误差函数，150。经过 SA，18。经过 HC，2.
所以我对整个进化和遗传算法世界还很陌生，我现在正在编写一个优化数组和 return 最佳解决方案 - 适应度的过程。
我现在的算法是通过模拟退火优化的，我可以通过改变冷却速度和起始温度来改变种群的压力和多样性来得到不同的结果，效果很好。我的问题是，在一种算法中使用两种不同类型的本地搜索是否可行？例如，假设我将迭代次数限制为 5000。是否值得使用 4000 进行模拟退火，然后将剩余的 1000 用于爬山局部搜索，以从第一次局部搜索中找到的值中找到最优解？还是在一种算法中使用两种不同的本地搜索不是标准做法？我是这个编程世界的新手，所以我愿意接受任何建议！
我使用受激退火 (SA) 来帮助我优化 delta 型 3d 打印机中的误差估计。我正在将 34 自由度误差函数拟合到样本误差图。我 运行 300 万次 SA 迭代，然后是爬山 (HC)。 HC 减少了错误（成本）函数值。我不知道这很常见，但它对我有用。 典型结果：原始误差函数，150。经过 SA，18。经过 HC，2.