分布式数据驱动优化场景下的云边协同进化优化算法数据集

代理模型辅助的进化算法(surrogate-assisted evolutionary algorithms, SAEAs)近年来被提出用于解决数据驱动优化问题。多数现存的代理模型辅助的进化算法是为集中式优化而设计的，并未考虑物联网时代下数据分布于网络的边缘带来的挑战。为此，本研究提出云边协同进化优化算法（edge-cloud co-evolutionary algorithms，ECCoEAs）来解决分布式数据驱动优化问题（distributed data-driven optimization problems, DDOPs）。具体来说，本研究首先提出了一个云边协同进化优化算法的分布式框架。这个框架由一个通信机制、边缘模型管理和云模型管理三部分组成。这个通讯机制控制模型信息、终止信息、有效候选解和最终解的通讯顺序来防止边缘服务器和云服务器协作过程中死锁的产生。在边缘模型管理中，边缘代理模型是基于局部数据训练而成。这些局部数据包括了局部历史数据以及由协同进化生成的新解与其真实评估组成的数据。在云模型管理中，从边缘服务器接收到的边缘代理模型的黑盒预测函数被用于构造一个全局模型。这个模型进而辅助云服务器上的进化优化来寻找有效候选解。有效候选解一方面可能是问题最终的最优解，另一方面可以通过通讯机制传输给边缘服务器来指导边缘模型管理。此外，为了验证框架的通用性，本研究实现了两个ECCoEAs，分别是边缘云协同代理辅助差分进化算法（ECCo-SDE）和边缘云协同代理辅助分层粒子群优化算法（ECCo-SHPSO）。
本数据集首先介绍了所用的基准测试函数所拥有的独立同分布以及非独立同分布的两种数据分布情况下各个边缘节点的初始历史数据。本数据集然后介绍提出的两个ECCoEAs与其集中式版本对比在基准测试函数的两种数据分布情况进行的大量实验研究得到的原始数据进一步分析后得到的分析数据，以表明本研究提出的ECCoEAs能够有效地解决分布式数据驱动优化问题,达到与其集中式版本解决数据集中时的数据驱动问题时相似的性能，且ECCoEAs的分布式框架具有通用性。最后，本数据集介绍提出的ECCo-SHPSO在三个分布式聚类问题上进行大量实验研究得到的原始数据以及进一步分析后得到的分析数据，以表明提出的ECCo-SHPSO与两个分布式聚类算法对比有更高的求解性能。

搜集汇总

背景与挑战

背景概述

该数据集聚焦于分布式数据驱动优化问题，提出了云边协同进化优化算法（ECCoEAs）框架，包括ECCo-SDE和ECCo-SHPSO两种具体实现。它提供了基准测试函数在独立同分布及非独立同分布情况下的初始历史数据，以及算法对比实验的分析数据，以验证ECCoEAs在解决分布式优化问题时的有效性和框架通用性。此外，数据集还包含ECCo-SHPSO在分布式聚类问题上的实验数据，展示了其相较于其他分布式算法的更高求解性能。