[论文解读] Benchmarking HillVallEA for the GECCO 2019 Competition on Multimodal Optimization

S. C. Maree, Tanja Alderliesten+1 more|arXiv (Cornell University)|Jul 25, 2019

Metaheuristic Optimization Algorithms Research参考文献 7被引用 9

一句话总结

该论文对HillVallEA-2019进行了基准测试，这是一种增强的多模态优化算法，通过自适应种群采样、选择性山-谷测试以及重新校准的种群规模，提升了小生境检测与收敛性能。在CEC2013基准测试套件中，该算法在GECCO 2019多模态优化竞赛的全部三种评分场景下均取得了当前最优性能，超越了先前版本及其他竞争算法。

ABSTRACT

This report presents benchmarking results of the Hill-Valley Evolutionary Algorithm version 2019 (HillVallEA19) on the CEC2013 niching benchmark suite under the restrictions of the GECCO 2019 niching competition on multimodal optimization. Performance is compared to algorithms that participated in previous editions of the niching competition.

研究动机与目标

• 在GECCO 2019多模态优化竞赛的约束条件下，提升HillVallEA算法在多模态优化中的性能。
• 解决多模态进化算法中常见的种群重新初始化与低适应度簇评估的计算效率低下问题。
• 通过算法改进，在无需针对问题调整参数的情况下，提升小生境检测能力与收敛速度。
• 使用标准化指标，在20个CEC2013基准问题上，将HillVallEA-2019与先前竞赛参赛算法进行对比评估。
• 证明自适应采样、选择性山-谷测试以及重新校准的种群规模在实值多模态优化中的有效性。

提出的方法

• 自适应初始种群采样基于前代种群解的聚类归属关系，采用拒绝采样策略，避免对同一盆地的重复探索。
• 采用贪心的分散子集选择方法，从2N个采样解中生成分布更优的N个解组成的种群，提升初始多样性。
• 仅当解属于适应度最高的半数，或成对解之间的距离超过期望边长（EEL）时，才强制接受山-谷测试，从而减少在低适应度簇上的计算开销。
• 将种群规模方案重新校准为ξ = (2^6, 2, 0.8, 1.1)，以减少初始种群和簇的规模，并减缓簇的增长速度，提升效率。
• 性能评估采用三种评分场景：峰值比率（S1）、静态F1（S2）和动态F1（S3），结果基于50次运行和五个精度等级取平均。
• 所有算法均在CEC2013多模态基准测试套件上进行评估，使用相同的函数评估预算和性能指标，且未对参数进行重新调优。

实验结果

研究问题

• RQ1 与均匀随机采样相比，HillVallEA-2019中的自适应初始种群采样策略在多大程度上减少了对同一盆地的冗余重新探索？
• RQ2 在具有大量低适应度局部最优解的多模态问题上，选择性山-谷测试（仅对更优解或相距较远的解对进行测试）在多大程度上提升了计算效率？
• RQ3 将种群规模方案重新校准为ξ = (2^6, 2, 0.8, 1.1)对收敛速度与小生境检测准确率有何影响？
• RQ4 在CEC2013基准测试套件中，HillVallEA-2019在全部三种竞赛评分场景（S1、S2、S3）下与先前版本及其他竞争算法相比表现如何？
• RQ5 所提出的算法改进是否能在无需针对特定问题调整参数的情况下实现更优性能？

主要发现

• 在S1场景（峰值比率）中，HillVallEA-2019平均得分最高，达到0.892，优于HillVallEA18（0.885）及其他所有竞争算法。
• 在S2场景（静态F1）中，HillVallEA-2019平均得分为0.934，排名第一，显著优于RS-CMSA（0.911）、SDE-Ga（0.884）和NEA2+（0.855）。
• 在S3场景（动态F1）中，HillVallEA-2019平均得分为0.883，排名第一，大幅超越得分最低的SDE-Ga（0.376）。
• 在S1和S2中，该算法在20个基准问题中的11个上获得了满分（1.000），并在所有问题类型中均保持了高水平性能，包括Shubert函数（问题6和8）等复杂函数。
• 在全部三个场景中的平均排名为1.0，表明其表现始终处于顶尖水平；而表现第二好的算法RS-CMSA的平均排名为3.0。
• 性能提升主要归因于减少了因重复盆地探索造成的计算浪费以及更智能的聚类策略，尤其在具有大量局部最优解的问题（如问题8，Shubert）中表现明显。