Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Maximum Likelihood Estimation Based on Random Subspace EDA: Application to Extrasolar Planet Detection Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Evolutionary Game Network Reconstruction by Memetic Algorithm with l 1/2 Regularization

verfasst von : Kai Wu, Jing Liu

Erschienen in: Simulated Evolution and Learning

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Evolutionary Game (EG) theory is effective approach to understand and analyze the widespread cooperative behaviors among individuals. Reconstructing EG networks is fundamental to understand and control its collective dynamics. Most existing approaches extend this problem to the l 1-regularization optimization problem, leading to suboptimal solutions. In this paper, a memetic algorithm (MA) is proposed to address this network reconstruction problem with l 1/2 regularization. The problem-specific initialization operator and local search operator are integrated into MA to accelerate the convergence. We apply the method to evolutionary games taking place in synthetic and real networks, finding that our approach has competitive performance to eight state-of-the-art methods in terms of effectiveness and efficiency.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Maximum Likelihood Estimation Based on Random Subspace EDA: Application to Extrasolar Planet Detection
Nächstes Kapitel A Simple Brain Storm Optimization Algorithm via Visualizing Confidence Intervals
Literatur
1.
Han, X., Shen, Z., Wang, W.X., Di, Z.: Robust reconstruction of complex networks from sparse data. Phys. Rev. Lett. 114, 028701 (2015)CrossRef
2.
Wang, W.X., Lai, Y.C., Grebogi, C., Ye, J.: Network reconstruction based on evolutionary-game data via compressive sensing. Phys. Rev. X 1, 021021 (2011)
3.
Tibshirani, R.: Regression shrinkage and selection via the lasso. J. R. Stat. Soc. Ser. B (Methodol.) 58, 267–288 (1996)MathSciNetMATH
4.
Moscato, P.: On evolution, search, optimization, genetic algorithms and martialarts: towards memetic algorithms. Caltech Concurrent Computation Program, C3P Rep., 826 (1989)
5.
Chen, X., Ong, Y.S., Lim, M.H., Tan, K.C.: A multi-facet survey on memetic computation. IEEE Trans. Evol. Comput. 15(5), 591–607 (2011)CrossRef
6.
Ong, Y.S., Lim, M.H., Chen, X.: Research frontier-memetic computation–past, present & future. IEEE Comput. Intell. Mag. 5(2), 24–31 (2010)CrossRef
7.
Herrity, K.K., Gilbert, A.C., Tropp, J.A.: Sparse approximation via iterative thresholding. In: Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing, pp. 624–627 (2006)
8.
Nowak, M.A., May, R.M.: Evolutionary games and spatial chaos. Nature 359, 826–829 (1992)CrossRef
9.
10.
Szabó, G., Tőke, C.: Evolutionary prisoner’s dilemma game on a square lattice. Phys. Rev. E 58, 69 (1998)CrossRef
11.
Xu, Z.B., Guo, H., Wang, Y., Zhang, H.: Representative of L 1/2 regularization among L q (0 < q < 1) regularizations: an experimental study based on phase diagram. Acta Automatica Sinica 38(7), 1225–1228 (2012)MathSciNet
12.
Xu, Z.B., Chang, X., Xu, F., Zhang, H.: L 1/2 regularization: a thresholding representation theory and a fast solver. IEEE Trans. Neural Netw. Learn. Syst. 23(7), 1013–1027 (2012)CrossRef
13.
Eshellman, L.J.: Real-coded genetic algorithms and interval-schemata. Found. Genetic Algorithms 2, 187–202 (1993)
14.
Neubauer, A.: A theoretical analysis of the non-uniform mutation operator for the modified genetic algorithm. In: Proceedings of the IEEE Congress on Evolutionary Computation, pp. 93–96 (1997)
15.
Knuth, D.E.: The Stanford Graph Base: A Platform for Combinatorial Computing. Addison-Wesley, Reading (1993)MATH
16.
Grau, J., Grosse, I., Keilwagen, J.: PRROC: computing and visualizing precision-recall and receiver operating characteristic curves in R. Bioinformatics 31(15), 2595–2597 (2015)CrossRef
17.
Watts, D.J., Strogatz, S.H.: Collective dynamics of ‘small-world’ networks. Nature 393, 440–442 (1998)CrossRefMATH
18.
Erdős, P., Rényi, A.: On random graphs. Publicationes Mathematicae Debrecen 6, 290–297 (1959)MathSciNetMATH
19.
20.
Newman, M.E., Watts, D.J.: Renormalization group analysis of the small-world network model. Phys. Lett. A 263(4), 341–346 (1999)MathSciNetCrossRefMATH
21.
22.
23.
Donoho, D.L., Tsaig, Y.: Fast solution of l1 norm minimization problems when the solution may be sparse. IEEE Trans. Inf. Theory 54(11), 4789–4812 (2008)CrossRefMATH
24.
Malioutov, D.M., Cetin, M., Willsky, A.S.: Homotopy continuation for sparse signal representation. In: Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing, pp. 733–736 (2005)
25.
Beck, A., Teboulle, M.: A fast iterative shrinkage-thresholding algorithm for linear inverse problems. SIAM J. Imaging Sci. 2(1), 183–202 (2009)MathSciNetCrossRefMATH
26.
27.
Bertsekas, D.: Constrained Optimization and Lagrange Multiplier Methods. Athena Scientific, Belmont (1982)MATH
28.
Kim, S., Koh, K., Lustig, M., Boyd, S., Gorinevsky, D.: An interior-pointmethod for large-scale l1-regularized least squares. IEEE J. Sel. Topics Sig. Process. 1(4), 606–617 (2007)CrossRef
29.
Wu, K., Liu, J., Wang, S.: Reconstructing networks from profit sequences in evolutionary games via a multiobjective optimization approach with lasso initialization. Sci. Rep. 6, 37771 (2016)CrossRef
30.
Newman, M.E.: Finding community structure in networks using the eigenvectors of matrices. Phys. Rev. E 74, 036104 (2006)MathSciNetCrossRef
31.
32.
Lusseau, D., Schneider, K., Boisseau, O.J., Haase, P., Slooten, E., Dawson, S.M.: The bottlenose dolphin community of doubtful sound features a large proportion of long-lasting associations. Behav. Ecol. Sociobiol. 54(4), 396–405 (2003)CrossRef
33.
Zachary, W.W.: An information flow model for conflict and fission in small groups. J. Anthropol. Res. 33, 452–473 (1977)CrossRef
Metadaten
Titel
Evolutionary Game Network Reconstruction by Memetic Algorithm with l 1/2 Regularization
verfasst von
Kai Wu
Jing Liu
Copyright-Jahr
2017
Buch
Simulated Evolution and Learning

Print ISBN: 978-3-319-68758-2

Electronic ISBN: 978-3-319-68759-9

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68759-9_2