[论文解读] A Constrained Cooperative Coevolution Strategy for Weights Adaptation Optimization of Heterogeneous Epidemic Spreading Networks.

Yun Feng, Bing-Chuan Wang+1 more|arXiv (Cornell University)|Jan 3, 2019

Complex Network Analysis Techniques被引用 2

一句话总结

该论文提出了一种约束协同进化（C³）策略，用于优化大规模异构流行病传播网络中的权重，将高维问题分解为可管理的子组件，并采用ε约束处理方法平衡目标与约束。该方法在Barabási-Albert网络上实现了更优的收敛性和全局搜索能力，证明了其在大规模动态优化中的有效性。

ABSTRACT

In this paper, the dynamic constrained optimization problem of weights adaptation for heterogeneous epidemic spreading networks is investigated. Due to the powerful ability of searching global optimum, evolutionary algorithms are employed as the optimizers. One major difficulty following is that the dimension of the weights adaptation optimization problem is increasing exponentially with the network size and most existing evolutionary algorithms cannot achieve satisfied performance on large-scale optimization problems. To address this issue, a novel constrained cooperative coevolution ($C^3$) strategy which can separate the original large-scale problem into different subcomponents is tailored for this problem. Meanwhile, the $\epsilon$ constraint-handling technique is employed to achieve the tradeoff between constraint and objective function. To validate the effectiveness of the proposed method, some numerical simulations are conducted on a B\' arabasi-Albert network.

研究动机与目标

• 解决大规模异构流行病传播网络中高维、动态的权重自适应挑战。
• 克服传统进化算法在大规模优化问题上的性能局限。
• 开发一种可扩展的优化框架，在保持约束可行性的同时提升对全局最优解的收敛能力。
• 在真实世界网络拓扑（如Barabási-Albert无标度网络）上验证所提方法的有效性。

提出的方法

• 设计了一种约束协同进化（C³）策略，将大规模权重自适应问题分解为更小、可管理的子组件。
• C³框架支持子组件的并行优化，降低计算复杂度并提升可扩展性。
• 集成ε约束处理技术，以平衡目标函数最小化与系统约束满足之间的权衡。
• 由于其在复杂、动态环境中的全局搜索能力，采用进化算法作为底层优化器。
• 将该方法应用于Barabási-Albert网络，以模拟真实的异构流行病传播动态。
• 开展数值仿真，评估收敛速度、解质量及约束满足情况。

实验结果

研究问题

• RQ1 协同进化策略能否有效分解流行病传播网络中的大规模权重自适应问题？
• RQ2 ε约束处理的集成如何改善目标函数最小化与约束满足之间的平衡？
• RQ3 所提出的C³方法在大规模网络上的收敛性和全局最优性表现如何？
• RQ4 与传统进化算法相比，该方法在网络规模增大时的可扩展性如何？

主要发现

• 所提出的C³策略显著提升了大规模流行病传播网络中的收敛速度和解质量。
• ε约束处理的集成有效平衡了目标函数最小化与约束满足。
• 与标准进化算法相比，该方法在高维问题上表现出更优的可扩展性。
• 在Barabási-Albert网络上的数值仿真结果证实，该方法能够在复杂、动态环境中定位接近全局最优的解。
• 分解方法在保持高解精度的同时降低了计算负担。
• 结果表明，结合约束处理的协同进化是大规模流行病网络优化中一种可行且高效的策略。