[论文解读] A Multi-parent Memetic Algorithm for the Linear Ordering Problem
该论文提出了一种用于NP难线性排序问题（LOP）的多父代记忆算法（MPM），结合了多父代重组算子（MPC）和基于距离与质量的种群更新策略。MPM在484个广泛使用的LOP基准实例上表现优于现有最先进算法，在255个未解LOP实例中，有66个实例找到了优于以往最佳已知结果的解，另有163个实例达到或超越了以往最佳结果。
In this paper, we present a multi-parent memetic algorithm (denoted by MPM) for solving the classic Linear Ordering Problem (LOP). The MPM algorithm integrates in particular a multi-parent recombination operator for generating offspring solutions and a distance-and-quality based criterion for pool updating. Our MPM algorithm is assessed on 8 sets of 484 widely used LOP instances and compared with several state-of-the-art algorithms in the literature, showing the efficacy of the MPM algorithm. Specifically, for the 255 instances whose optimal solutions are unknown, the MPM is able to detect better solutions than the previous best-known ones for 66 instances, while matching the previous best-known results for 163 instances. Furthermore, some additional experiments are carried out to analyze the key elements and important parameters of MPM.
研究动机与目标
- 为解决大规模、NP难线性排序问题（LOP）提供高质量启发式方法。
- 通过引入多父代重组技术，改进现有记忆算法，以增强对有希望搜索区域的探索能力。
- 通过一种新颖的距离与质量结合的池更新策略，维持种群多样性与解的质量。
- 在484个广泛使用的LOP基准实例上评估该算法，包括那些最优解未知的实例。
提出的方法
- MPM采用记忆框架，结合基于种群的进化搜索与局部搜索以改进解的质量。
- 多父代重组算子（MPC）通过组合超过两个父代解，扩展了基于顺序（OB）的重组方法，以生成后代。
- 父代选择采用一种兼顾解质量与距离的多样性感知策略，以避免过早收敛。
- 种群通过一种混合适应度函数进行更新，该函数在解质量与多样性之间取得平衡，其中动态参数α取值范围为[0.8, 1.0]。
- 对所有后代应用局部搜索过程，以优化解并达到局部最优。
- 当解质量在g代内停滞时，算法启动重启机制，以保留迄今为止找到的最佳解。
实验结果
研究问题
- RQ1在LOP实例上，多父代重组（MPC）与传统双父代重组相比，在解质量与多样性方面表现如何？
- RQ2基于距离与质量的池更新策略对种群多样性与收敛速度有何影响？
- RQ3所提出的MPM算法能否在标准LOP基准测试中持续找到优于或等于现有最先进算法的解？
- RQ4关键参数如父代数量（m）和加权因子α如何影响MPM的性能？
主要发现
- 在255个最优解未知的LOP实例中，MPM在66个实例上找到了优于以往最佳已知结果的解。
- 在255个未解实例中，MPM在163个实例上与以往最佳已知结果持平或更优。
- 在229个最优解已知的实例上，MPM成功恢复了所有最优解。
- 尽管平均性能略低，多父代重组算子（MPC，m=3或m=4）在复杂实例上找到最佳解的表现优于传统双父代OB算子。
- 采用α ∈ [0.8, 1.0]的基于距离与质量的池更新策略，增强了种群多样性，并使最终解的质量优于仅基于目标值的策略。
- 消融实验确认，MPC重组与基于多样性的更新策略对MPM的优越性能均至关重要。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。