噪声环境下的进化优化分析

许多优化任务必须在噪声环境中处理，在那里我们无法获得解的精确评估，只能获得带有噪声的评估。对于噪声优化任务，进化算法（EAs，一种随机元启发式搜索算法）已被广泛且成功地应用。先前的工作主要集中在针对噪声优化实证研究和设计 EAs，而其理论对应部分却鲜有研究。在本文中，我们调查了一个被 largely 忽视的问题，即优化问题在噪声环境中是否总是对 EAs 变得更难。我们证明，就期望运行时间的度量而言，答案是否定的。该结果表明，对于已经相当难以解决的优化任务，噪声可能不会产生负面影响，而任务越简单，受噪声的负面影响越大。在一个噪声具有强烈负面影响的代表性问题上，我们考察了 EAs 处理噪声时常用的两种机制：重评估策略和阈值选择策略。分析揭示，这两种策略均无效，即它们并未使 EA 更具噪声容忍度。随后我们发现，对阈值选择进行微小修改可使其被证明是处理该问题中噪声的有效策略。