自调节进化算法在多模态景观中较慢

一五法则及其推广是离散领域中经典的参数控制机制。它们也被用于控制 $(1, \lambda)$-EA 的子代人口大小。这一做法在爬坡问题中表现良好，最近的研究表明，结合重启机制后，Hevia Fajardo 和 Sudholt 对多模态问题 Cliff 的改进效果显著。本文指出，积极结果并未延伸至其他类型的局部最优解。在扭曲的 OneMax 测试基准上，自调节 $(1, \lambda)$-EA 的速度与仲裁算法一样被减慢，因为自适应机制阻止了算法从局部最优解中逃逸。这使得自适应算法在选择优质静态参数时表现更差，而静态参数能够有效逃离局部最优解。我们从理论和实证运行时间结果两方面证明了这一点。