具有生态位协同进化策略的自适应差分进化方法在多模态优化中的应用
《Neurocomputing》:Adaptive differential evolution with niching coevolution strategy for multimodal optimization
【字体:
大
中
小
】
时间:2026年01月12日
来源:Neurocomputing 6.5
编辑推荐:
多峰优化问题传统进化算法易陷入局部最优,本文提出DENCS算法,通过动态自适应的 niching 策略与协同进化机制,生成多样化 niching 方法并实时调整参数,有效平衡探索与利用,在CEC2013基准测试中表现优异。
黄敏伟|范卢琼|陈泽|盛卫国
杭州师范大学信息科学与技术学院,中国杭州,311121
摘要
多模态优化问题的特点是存在多个最优解,因此需要能够同时定位和维持这些最优解的策略。生态位技术可以提高种群的多样性,从而实现多个最优解的并行探索。然而,现有的生态位方法通常是静态且不灵活的,这限制了它们对多样化优化环境的适应能力。为了解决这个问题,我们提出了一种具有生态位协同进化策略的自适应差分进化算法(DENCS),该算法利用了生态位方法与种群进化之间的相互作用。具体来说,我们开发了一种生态位方法表达式,通过整合预定义池中的组件来生成多样化的生态位策略。此外,我们还设计了一种生态位方法协同进化策略,根据性能反馈动态演化生态位策略,以确保探索与利用之间的平衡。另外,我们还引入了一种自适应的生态位参数设置策略,根据种群适应度调整生态位大小,从而降低对参数配置的敏感性。在CEC2013基准函数上的实验评估表明,DENCS通常优于现有的多模态算法。
引言
多模态优化问题(MMOPs)的特点是在搜索空间中分布着多个最优解[1]。解决MMOPs问题非常重要,因为许多现实世界应用,如缺陷检测和优化[2]、[3]、[4]、蛋白质结构预测[5]、多机器人任务分配[6]、[7]以及行人检测[8]、[9]等都涉及多个最优解。
传统的进化算法(EAs),包括遗传算法(GAs)[10]、[11]、[12]、粒子群优化(PSO)[13]、[14]、[15]、差分进化(DE)[16]、[17]、[18]、[19]和遗传编程(GP)[20]、[21]、[22],主要设计用于识别单个最优解,因此它们不适合处理MMOPs问题。为了使EAs适应MMOPs问题,人们致力于提高种群多样性。生态位技术,如物种形成[23]、拥挤[24]、适应度共享[25]、聚类[26]和受限锦标赛选择[27],将种群划分为多个生态位,每个生态位针对一个或几个最优解。尽管有这些进展,但生态位技术仍存在局限性。首先,它们通常是固定的,缺乏对不同优化问题和适应度环境的适应性[28]、[29]、[30]。其次,这些技术中的参数和/或操作符通常是静态的,无法根据种群状态或进化阶段动态调整,这可能导致探索效率低下和过早收敛[31]、[32]。
为了解决上述问题,我们提出了一种生态位方法表达式,可以用来生成多样化的生态位方法。为此,我们使用了两个组件池:一个生态位组件池和一个变异组件池。从这些池中系统地组合可以产生适用于各种搜索环境的生态位方法。接下来,我们提出了一种生态位方法协同进化策略。在每一代中,合适的生态位方法会演化种群,并根据适应度和多样性的改进进行评估。表现不佳的方法会经历结构和/或参数的变异,以确保持续适应搜索环境。此外,我们还引入了一种自适应的生态位参数设置策略,根据种群收敛情况调整生态位大小,从而降低参数敏感性并支持在进化阶段中的高效搜索。
总之,本工作的贡献如下:
•提出了一种生态位方法表达式,以克服传统生态位技术的结构刚性。与依赖单一静态策略的现有方法不同,这种表达式系统地整合了各种生态位组件及其相关参数值。这种灵活性使得算法能够生成多样化的生态位行为,从而处理传统算法往往难以处理的复杂适应度环境。
•设计了一种生态位方法协同进化策略,以提高算法在整个进化过程中的适应性。当种群状态发生变化或面临不均匀的峰值分布时,现有算法常常失效。所提出的策略通过根据不同子种群对适应度和多样性的实时贡献动态评估和选择最合适的生态位方法来解决这个问题。这种机制有效地防止了遗传漂变,并确保了在不同进化阶段的稳健性能。
•引入了一种自适应的生态位参数设置策略,以消除对问题特定调整的敏感性。该策略根据种群的收敛状态自动调整生态位大小。这使得算法能够从广泛探索过渡到精确利用,从而显著提高峰值定位的准确性,而无需手动干预参数。
本文的其余部分结构如下:第2节回顾了DE和协同进化的基本概念以及相关MMOPs研究。第3节详细介绍了所提出的方法。第4节展示了基准函数、性能指标和实验结果。第5节总结了本文并概述了未来的研究方向。
章节片段
差分进化
差分进化(DE)通过初始化、变异、交叉和选择来演化种群,利用个体间的差异。标准DE操作符如下所示。
1)初始化:DE在搜索空间内随机初始化种群:
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号