若变量间的相关性很高,收敛过程会非常缓慢,可以利用主成分分析法(Principle Components Analysis,PCA)获得尽可能独立的变量进行优化。 二、块坐标下降法(Block Coordinate Descent,BCD) BCD 法是 CD 法的一般化,用于解决 CD 法效率低下的问题。 基本思想:每次迭代对变量的子集进行优化,即每次沿着多个坐标轴的方向(超...
我们的目标是根据不同机器人的能力,将有界环境的不同部分分配给它们。目标函数设计为两个变量块的函数,即生成器的位置和权重。 块坐标下降法用于交替优化两个变量块。梯度下降法用于优化每个单独的变量块,并且可以以分布式方式计算目标函数的梯度。集中式机器用于同步所有机器人的优化状态和运行状态。它还将更新机器人...
BCD(块坐标下降法)是一种改进的坐标下降法,可以同时更新多个变量,同时减少迭代次数。下面将介绍BCD坐标下降法的步骤和应用。 第一步:初始化变量 在BCD坐标下降法中,首先需要对变量进行初始化。初始化通常有两种选择,可以设置固定初始值或在随机范围内选择初始值。在实际应用中,初始值的选择对最终结果的影响非常大,...