基于岛屿的进化计算方法：采用多样化的替代模型与自适应知识转移机制，以实现高维数据驱动的优化

《ACM Transactions on Evolutionary Learning and Optimization》：Island-Based Evolutionary Computation with Diverse Surrogates and Adaptive Knowledge Transfer for High-Dimensional Data-Driven Optimization

数据驱动的进化算法通过代理模型近似目标函数，但现有方法在高维优化中性能显著下降。本文提出DSKT-DDEA，采用多孤岛架构建立多样性代理模型，结合半监督学习优化模型适配，并通过自适应知识转移机制实现全局优化。实验表明该算法在1000维以下问题中表现优异，并具备良好的并行性和可扩展性。

　　

摘要

近年来，人们对利用替代模型在数据有限的情况下近似目标函数的数据驱动进化算法（DDEAs）表现出越来越大的兴趣。然而，当前的DDEAs主要针对低维问题设计，当应用于大规模优化问题（LSOPs）时，其性能会显著下降。为了解决这一挑战，本文提出了一种名为DSKT-DDEA的离线DDEA。DSKT-DDEA利用多个“岛屿”来构建不同的替代模型，从而促进多样化的子种群形成，并降低过早收敛的风险。在岛屿内部的优化阶段，采用了一种半监督学习方法来微调这些替代模型；该方法不仅有助于数据的解释，还结合了搜索过程中收集的分布信息，使替代模型能够适应不断变化的局部环境。接下来，在岛屿之间的知识传递阶段，该算法采用了一种自适应策略，定期传输个体信息，并在新环境中评估传递效果，从而提高全局优化的效率。实验结果表明，我们的算法在维度高达1000的问题上能够与最先进的DDEAs相媲美，同时具备良好的并行性和可扩展性。我们的DSKT-DDEA是开源的，可以在以下链接获取：https://github.com/LabGong/DSKT-DDEA。