[论文解读] Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization

S. C. Maree, Tanja Alderliesten+2 more|arXiv (Cornell University)|Jun 30, 2018

Metaheuristic Optimization Algorithms Research参考文献 2被引用 8

一句话总结

该论文在严格的竞赛规则下，对改进版的Hill-Valley进化算法（HillVallEA）在CEC2013共享基准测试套件上进行了基准测试，未进行问题特定的参数调优。该方法通过重用解、基于收敛性和重新探索检测的自适应终止准则，以及重新校准的种群规模，提升了小生境检测能力和搜索效率，所有问题的峰值比达到0.885，静态F1分数为完美值。

ABSTRACT

This report presents benchmarking results of the latest version of the Hill-Valley Evolutionary Algorithm (HillVallEA) on the CEC2013 niching benchmark suite. The benchmarking follows restrictions required by the GECCO 2018 competition on Niching methods for Multimodal Optimization. In particular, no problem dependent parameter tuning is performed. A number of adjustments have been made to original publication of HillVallEA that are discussed in this report.

研究动机与目标

• 在竞赛约束条件下，评估改进的Hill-Valley进化算法（HillVallEA）在CEC2013共享基准测试套件上的性能。
• 评估方法论改进对多模态优化的影响，且不进行问题特定的参数调优。
• 探究自适应终止和解重用是否能提升小生境检测中的收敛性和多样性。
• 通过峰值比和静态F1指标，将HillVallEA的性能与RS-CMSA基线进行比较。

提出的方法

• HillVallEA采用两步法：首先通过Hill-Valley测试对初始解进行聚类，然后对每个聚类执行基于种群的核心搜索。
• 在Hill-Valley测试中采样的解会被重用，并在将解分配给新小生境时添加到对应聚类中，以保留有用信息。
• 通过每五代比较新解与精英档案，利用Hill-Valley测试检测是否重新探索了先前发现的小生境，从而实现终止准则。
• 第二个终止准则通过在指数收敛假设下估计收敛速率（r_n）和最优时间（tto），检测是否收敛至局部极小值。
• 种群规模重新校准为|P| = 2^6 * d，从原始的2^4 * d提升，以改善性能。
• 由于AMaLGaM-Univariate在先前评估中表现优异，因此被选为核心搜索算法。

实验结果

研究问题

• RQ1 改进后的HillVallEA在未进行问题特定参数调优的情况下，在CEC2013共享基准测试套件上的表现如何？
• RQ2 解重用和自适应终止在多大程度上改善了小生境检测和收敛性？
• RQ3 重新校准的种群规模方案是否能提升多模态优化的整体性能？
• RQ4 HillVallEA在峰值比和静态F1分数方面与RS-CMSA基线相比表现如何？

主要发现

• HillVallEA在所有20个CEC2013基准测试问题上均实现了0.885的平均峰值比，优于RS-CMSA基线的0.856平均峰值比。
• 所有问题的静态F1分数均为1.0，表明能够完美检测出所有不同的全局最优解，且解集中无重复。
• 在最具挑战性的问题上（例如20维的组合函数4），HillVallEA的峰值比达到0.482，展示了其在高维多模态景观中的鲁棒性。
• 改进的自适应终止准则有效防止了冗余探索和过早收敛，从而提升了效率和准确性。
• 与原始的|P| = 2^4 * d设置相比，重新校准后的种群规模|P| = 2^6 * d显著提升了性能。
• 该方法成功过滤了所有局部最优解和重复解，确保了解集质量不受精度阈值ε的影响。