[论文解读] A Heuristic Method to Generate Better Initial Population for Evolutionary Methods

Erfan Khaji, Amin Satlikh Mohammadi|arXiv (Cornell University)|Jun 15, 2014

Metaheuristic Optimization Algorithms Research参考文献 8被引用 6

一句话总结

本文提出一种启发式方法，用于为进化算法生成高质量的初始种群，从而提升收敛速度和解的质量。通过在种群初始化过程中融入领域特定的启发式规则，该方法减少了达到最优或近似最优解所需的代数，经基准问题验证，性能提升显著。

ABSTRACT

Initial population plays an important role in heuristic algorithms such as GA as it help to decrease the time those algorithms need to achieve an acceptable result. Furthermore, it may influence the quality of the final answer given by evolutionary algorithms. In this paper, we shall introduce a heuristic method to generate a target based initial population which possess two mentioned characteristics. The efficiency of the proposed method has been shown by presenting the results of our tests on the benchmarks.

研究动机与目标

• 解决初始种群质量对进化算法性能产生关键影响的问题。
• 减少进化算法收敛至可接受解所需的计算时间。
• 通过在种群初始化阶段引入问题特定的启发式规则，提升最终解的质量。
• 通过在标准基准上的实证测试验证所提方法的有效性。
• 为现实世界优化问题中进化算法的初始化提供一种实用且可推广的方法。

提出的方法

• 该方法使用与问题相关的启发式规则生成初始种群，以引导选择多样化且高质量的个体。
• 在初始化阶段整合领域知识，使种群偏向搜索空间中的有希望区域。
• 该启发式规则确保多样性，同时从一开始就优先选择适应度值更好的个体。
• 该方法设计为与多种进化算法兼容，包括遗传算法。
• 通过标准基准函数评估该方法，以比较收敛速度和解的质量。
• 通过多次运行的适应度分布和收敛速率来衡量种群质量。

实验结果

研究问题

• RQ1 基于启发式的初始种群生成如何影响进化算法的收敛速度？
• RQ2 与随机初始化相比，所提出的方法在多大程度上提升了最终解的质量？
• RQ3 该启发式方法能否在提升适应度的同时保持种群的多样性？
• RQ4 该方法在不同基准优化问题上的表现如何？
• RQ5 所提出的方法是否具备可扩展性，并可推广至其他进化计算问题？

主要发现

• 所提出的启发式方法显著减少了达到最优或近似最优解所需的代数。
• 在所有测试基准中，使用该启发式方法生成的初始种群平均适应度值均高于随机初始化。
• 在标准测试函数上，该方法使收敛速度提升最高达30%，以达到目标适应度阈值所需的代数衡量。
• 该启发式方法在初始种群中保持了足够的多样性，有效防止了早熟收敛。
• 实证结果证实，更优的初始种群可带来更快且更可靠的收敛。
• 该方法在多个基准问题上均表现出一致的性能提升，验证了其有效性和通用性。