用于提升差分进化性能的多层竞争-协作框架
神经与进化计算
2019-01-08 v3
摘要
差分进化 (Differential Evolution, DE) 被公认为进化算法 (EA) 家族中最强大的优化器之一。近年来提出了许多 DE 变体，但它们之间性能的显著差异却很少被观察到。因此，本文提出一种多层竞争-协作 (MLCC) 框架以促进多个 DE 之间的竞争与协作，从而实现显著的性能提升。不同于其他采用基于多种群结构、个体仅在其对应子种群中进化的多方法策略，MLCC 实现了一种并行结构，整个种群同时由分配给相应层的多个 DE 监控。个体可基于个体偏好层选择 (IPLS) 机制和计算资源分配偏置 (RAB) 机制在不同层中存储、利用并更新其进化信息。在 IPLS 中，个体仅连接到一个偏好层。而在 RAB 中，高质量解通过考虑所有层来进化。因此，层中关联的 DE 以竞争与协作的方式工作。所提出的 MLCC 框架已在数个极具竞争力的 DE 上实现。实验研究表明，在 CEC 基准函数上，MLCC 变体显著优于基线 DE 以及若干最先进和最新的 DE。
引用
@article{arxiv.1801.10546,
title = {Multi-Layer Competitive-Cooperative Framework for Performance Enhancement of Differential Evolution},
author = {Sheng Xin Zhang and Li Ming Zheng and Kit Sang Tang and Shao Yong Zheng and Wing Shing Chan},
journal= {arXiv preprint arXiv:1801.10546},
year = {2019}
}