一种基于若干当前最优策略的高效重构差分进化变体用于求解单目标有界约束问题
神经与进化计算
2024-04-26 v1 人工智能
机器学习
摘要
复杂的单目标有界问题通常难以求解。在进化计算方法中，自1997年差分进化算法提出以来，因其简单高效而得到广泛研究和发展。这些发展包括各种自适应策略、算子改进以及其他搜索方法的引入。2014年后，基于LSHADE的研究也受到研究者的广泛关注。然而，尽管近期提出的改进策略在性能上优于前一代，但添加所有新策略并不一定能带来最强性能。因此，我们基于近年来先进的差分进化变体重组了一些有效进展，最终确定了一种有效的组合方案以进一步提升差分进化的性能。本文提出一种策略重组与重构的差分进化算法，称为重构差分进化（RDE），用于求解单目标有界优化问题。基于2024年IEEE进化计算大会（CEC2024）的基准测试集，我们测试了RDE及其他几种先进的差分进化变体。实验结果表明，RDE在求解复杂优化问题方面具有优越性能。
引用
@article{arxiv.2404.16280,
title = {An Efficient Reconstructed Differential Evolution Variant by Some of the Current State-of-the-art Strategies for Solving Single Objective Bound Constrained Problems},
author = {Sichen Tao and Ruihan Zhao and Kaiyu Wang and Shangce Gao},
journal= {arXiv preprint arXiv:2404.16280},
year = {2024}
}