[论文解读] Evolutionary Multimodal Optimization: A Short Survey

Ka‐Chun Wong|arXiv (Cornell University)|Aug 3, 2015

Photonic and Optical Devices参考文献 38被引用 26

一句话总结

本文综述了能够单次运行中定位多个全局和局部最优解的进化多模态优化技术，重点介绍了CrowdingDE-STL和CrowdingDE-TL等算法。实验表明，这些方法在实际应用中表现优异，例如在可变线间距全息光栅设计中，CrowdingDE-TL平均找到45.54个峰值，且与其它方法相比具有高度统计显著性。

ABSTRACT

Real world problems always have different multiple solutions. For instance, optical engineers need to tune the recording parameters to get as many optimal solutions as possible for multiple trials in the varied-line-spacing holographic grating design problem. Unfortunately, most traditional optimization techniques focus on solving for a single optimal solution. They need to be applied several times; yet all solutions are not guaranteed to be found. Thus the multimodal optimization problem was proposed. In that problem, we are interested in not only a single optimal point, but also the others. With strong parallel search capability, evolutionary algorithms are shown to be particularly effective in solving this type of problem. In particular, the evolutionary algorithms for multimodal optimization usually not only locate multiple optima in a single run, but also preserve their population diversity throughout a run, resulting in their global optimization ability on multimodal functions. In addition, the techniques for multimodal optimization are borrowed as diversity maintenance techniques to other problems. In this chapter, we describe and review the state-of-the-arts evolutionary algorithms for multimodal optimization in terms of methodology, benchmarking, and application.

研究动机与目标

• 解决传统优化方法每次运行仅能找到一个最优解的局限性。
• 使进化算法能够在保持种群多样性的同时，同时发现多个最优解。
• 展示多模态优化在复杂工程问题（如VLS全息光栅设计）中的实际应用价值。
• 利用标准化指标和统计检验，评估并比较最先进的进化多模态优化算法。
• 突出多模态优化中多样性保持技术在其他优化问题中的广泛适用性。

提出的方法

• 采用预选择和拥挤机制以维持种群多样性并定位多个最优解。
• 使用拥挤因子（cf）和距离度量（如欧几里得距离）比较后代与种群中相似的父代。
• 应用带拥挤机制的差分进化（DE）（CrowdingDE）及遗传算法（GA）变体（CrowdingGA）进行多模态优化。
• 提出专用变体如CrowdingDE-STL和CrowdingDE-TL，采用定制的选择与替换策略。
• 利用统计检验（Mann-Whitney U检验和Kolmogorov-Smirnov检验）评估不同算法间性能差异的显著性。
• 通过最佳适应度、找到的峰值数量及标准差等指标，在标准测试函数和实际问题上对算法进行基准测试。

实验结果

研究问题

• RQ1 在标准测试函数和实际问题上，进化多模态优化算法在定位多个最优解方面的表现如何比较？
• RQ2 如拥挤和预选择等多样性保持机制对多模态优化性能有何影响？
• RQ3 进化多模态优化能否有效解决高维、非凸的工程问题，如VLS全息光栅设计？
• RQ4 在CrowdingDE-STL、CrowdingDE-TL及其他变体中，哪一种算法在收敛性与多样性之间实现了最佳平衡？
• RQ5 统计检验在多大程度上证实了多模态优化算法间性能差异的显著性？

主要发现

• 在50次运行中，CrowdingDE-TL在VLS全息光栅设计问题上实现了最高的平均峰值数量（45.54个）。
• CrowdingDE-STL在最佳适应度方面表现最佳（平均值为8.29×10⁻⁸），表明其收敛到最优解的能力更强。
• 统计检验（MWU和KS检验）显示，CrowdingDE方法显著优于CrowdingGA、SharingGA、SharingDE、SDE和SCGA（p < 0.05）。
• CrowdingDE-STL获得的配置完全不同且可行，使光学工程师可在不重新运行算法的情况下进行多次试验。
• 本研究证实，多模态优化技术不仅能定位多个最优解，还能维持种群多样性，从而增强全局搜索能力。
• 尽管由于多样性保持机制导致计算复杂度较高，但所提方法在多模态函数景观中仍优于传统单最优解求解器。