基于密度的进化动态多模态优化

《ACM Transactions on Evolutionary Learning and Optimization》：Density-Assisted Evolutionary Dynamic Multimodal Optimization

动态多模态优化问题需要快速定位并跟踪多个最优解，本文提出密度辅助进化算法（DAEA）通过当前和历史子种群密度信息优化探索，构造密度景观指导子种群定向探索，利用历史灭绝子种群密度重启策略，结合环境预测和记忆机制，有效应对动态环境下的计算资源限制，在CEC'2022基准测试和现实问题中验证了有效性。

　　

摘要

动态多模态优化问题（DMMOPs）需要能够快速定位和追踪随时间变化的多个最优解的算法。主要挑战在于如何在连续的环境变化中，控制种群多样性以促进有效探索，同时还要受到计算资源的限制。在本文中，我们研究了利用当前和历史种群数据中的密度信息来增强探索能力的方法。首先，对于每个活跃的子种群，我们根据同时活跃的子种群分布构建一个密度景观，并根据密度和适应度值确定候选解之间的支配关系，引导该子种群探索低密度但具有潜力的区域。然后，对于每个已收敛的子种群，我们根据历史上已经灭绝的子种群分布构建一个密度景观，指导该子种群在低密度且未被探索的区域重新开始搜索。最后，我们开发了一个全面的基于密度辅助的进化算法（DAEA）框架，该框架包括密度辅助搜索和重启机制，并结合了初始化过程。此外，我们还采用了预测和记忆策略来提升DAEA在动态环境中的性能。值得注意的是，该算法依赖于外部监控器来检测环境变化并触发相应的动态响应策略。DAEA在CEC’2022动态多模态优化基准测试套件上进行了验证，并与几种最先进的动态多模态优化算法进行了比较。实验结果证明了DAEA在处理DMMOPs方面的竞争力。此外，从泊位分配问题获得的实验结果进一步证实了DAEA在现实世界动态多模态优化任务中的适用性。