高度多峰适应度地形中的停滞检测

停滞检测已被提出作为一种随机搜索启发式的机制，通过自动增大邻域规模以找到所谓的间隙大小（即到下一次改进的距离）来逃离局部最优。其实用性主要在具有少量局部最优的简单多峰地形中被考虑，这些最优可逐个跨越。在具有相似间隙大小最优的更复杂位置的多峰地形中，停滞检测受制于邻域规模频繁重置为 $1$ 而未利用过去有希望的间隙大小。在本文中，我们研究一种称为半径记忆的新机制，可加入停滞检测以更谨慎地控制搜索半径，优先采用过去成功的值。我们在称为 SD-RLS$^{\text{m}}$ 的算法中实现该思想，并表明与先前停滞检测变体相比，它在均匀约束下的线性函数和最小生成树问题上产生加速。此外，其在单峰函数和 Jump 基准的推广上的运行时间未显著恶化。最后，我们给出为研究 SD-RLS$^{\text{m}}$ 并与其他算法比较而进行的实验结果。