[论文解读] An Adaptive Population Size Differential Evolution with Novel Mutation Strategy for Constrained Optimization

Yuan Fu, Wang Hu+1 more|arXiv (Cornell University)|May 11, 2018

Metaheuristic Optimization Algorithms Research参考文献 33被引用 3

一句话总结

该论文提出APDE-NS，一种用于约束优化的自适应种群规模差分进化算法，采用新型变异策略。通过动态调整种群规模并利用自适应变异增强搜索的探索与开发能力，该方法减少了约束违反情况，并在CEC2017基准问题上实现了具有竞争力的性能，优于当前最先进的算法在可行性与收敛性方面的表现。

ABSTRACT

Differential evolution (DE) has competitive performance on constrained optimization problems (COPs), which targets at searching for global optimal solution without violating the constraints. Generally, researchers pay more attention on avoiding violating the constraints than better objective function value. To achieve the aim of searching the feasible solutions accurately, an adaptive population size method and an adaptive mutation strategy are proposed in the paper. The adaptive population method is similar to a state switch which controls the exploring state and exploiting state according to the situation of feasible solution search. The novel mutation strategy is designed to enhance the effect of status switch based on adaptive population size, which is useful to reduce the constraint violations. Moreover, a mechanism based on multipopulation competition and a more precise method of constraint control are adopted in the proposed algorithm. The proposed differential evolution algorithm, APDE-NS, is evaluated on the benchmark problems from CEC2017 constrained real parameter optimization. The experimental results show the effectiveness of the proposed method is competitive compared to other state-of-the-art algorithms.

研究动机与目标

• 通过减少约束违反，提升差分进化在求解约束优化问题（COPs）中的性能。
• 通过自适应种群规模控制，增强搜索过程中探索与开发之间的平衡。
• 设计一种新型变异策略，以支持在探索与开发状态之间有效切换。
• 通过多族群竞争与精确的约束处理机制，提升收敛性与可行性。
• 在CEC2017约束实数参数优化基准测试集上评估所提出的算法。

提出的方法

• 引入一种自适应种群规模机制，根据可行解检测的进展在探索与开发模式之间切换。
• 设计一种新型变异策略，以增强种群规模自适应的效果，提升收敛性并减少约束违反。
• 采用多族群竞争机制，以维持多样性并引导搜索向可行区域推进。
• 应用精确的约束控制方法，以在进化过程中更有效地处理约束。
• 将算法命名为APDE-NS，整合自适应种群控制、新型变异策略与增强的约束处理机制，形成统一框架。
• 在CEC2017基准套件中的30个约束测试问题上对算法进行了评估。

实验结果

研究问题

• RQ1 自适应种群规模控制在约束优化中如何影响差分进化的收敛性与可行性？
• RQ2 所提出的新型变异策略在多大程度上改善了约束处理与搜索效率？
• RQ3 多族群竞争能否增强约束差分进化中的多样性与收敛性？
• RQ4 APDE-NS在CEC2017约束优化基准测试中与最先进算法相比表现如何？
• RQ5 精确约束控制对算法整体性能有何影响？

主要发现

• APDE-NS在CEC2017约束优化基准测试集中与其他最先进算法相比表现具有竞争力。
• 自适应种群规模机制有效平衡了探索与开发，提升了收敛速度与解的质量。
• 新型变异策略在优化过程中显著减少了约束违反。
• 多族群竞争机制的整合增强了种群多样性，并防止了早熟收敛。
• 精确约束控制机制有助于提升可行性，并加快向最优解的收敛速度。
• 实验结果表明，APDE-NS在大多数CEC2017测试问题上优于或匹配了现有算法的性能。