[论文解读] Investigating the effects Diversity Mechanisms have on Evolutionary Algorithms in Dynamic Environments

Matthew T. Hughes|arXiv (Cornell University)|Oct 9, 2016

Metaheuristic Optimization Algorithms Research参考文献 19被引用 3

一句话总结

本文研究了多样性机制在动态优化问题中对进化算法性能的影响，比较了适应度共享、清除、拥挤、近亲防止及岛屿模型等技术。主要贡献在于提出了一种新型混合算法，在追踪多个移动峰时表现优于所有其他算法，实现了接近最优的适应度，并在所有动态测试问题中保持了种群多样性。

ABSTRACT

Evolutionary algorithms have been successfully applied to a variety of optimisation problems in stationary environments. However, many real world optimisation problems are set in dynamic environments where the success criteria shifts regularly. Population diversity affects algorithmic performance, particularly on multiobjective and dynamic problems. Diversity mechanisms are methods of altering evolutionary algorithms in a way that promotes the maintenance of population diversity. This project intends to measure and compare the performance effect a variety of diversity mechanisms have on an evolutionary algorithm when facing an assortment of dynamic problems.

研究动机与目标

• 评估不同多样性机制对进化算法在动态环境中性能的影响。
• 识别在适应度景观变化期间最有效的多样性机制以维持种群多样性。
• 在一系列动态基准问题（包括移动峰和高度变化景观）中比较算法性能。
• 开发并测试一种结合现有多样性机制优势的新型混合算法，以提升动态优化性能。
• 评估多样性机制在不同问题动态和参数设置下的鲁棒性与适应性。

提出的方法

• 实现了一套具有不同多样性机制的进化算法：适应度共享、清除、拥挤、近亲防止、基因型移除、岛屿模型，以及一种新型混合算法。
• 将这些算法应用于六个动态测试问题：OneMax、TwoMax、One Moving Peak、Two Moving Peaks、Height Changing Peaks 和 Moving Height Changing Peaks。
• 使用 DEAP（Python 中的分布式进化算法）进行算法实现与实验，采用标准化参数。
• 通过离线性能、最大适应度、多样性度量和多轮实验的收敛稳定性来衡量性能。
• 调整位翻转突变概率，以评估算法对问题景观动态变化的敏感性。
• 通过整合多种多样性机制的优势，设计了一种新型混合算法，以增强对多个移动峰的追踪能力。

实验结果

研究问题

• RQ1 不同多样性机制如何影响进化算法在动态环境中追踪多个移动峰的能力？
• RQ2 在适应度景观快速变化期间，哪些多样性机制最有效以维持种群多样性？
• RQ3 结合多种多样性机制的混合算法是否能在复杂动态问题上超越单一机制？
• RQ4 在动态优化任务中，种群多样性与适应度表现及收敛稳定性之间有何关联？
• RQ5 突变率和问题动态的差异对多样性机制性能有何影响？

主要发现

• 在 One Moving Peak 问题上，新型混合算法实现了最高的离线性能（94.910），优于所有其他算法。
• 在 Two Moving Peaks 问题上，该新算法是唯一能持续定位并维持个体在两个峰上的算法，实现了 100% 的峰检测成功率。
• 在 Height Changing Peaks 问题上，该新算法即使在峰移动后仍能保持最大适应度（100），表现出优越的稳定性和收敛性。
• 在 Moving Height Changing Peaks 问题上，该新算法实现了最高的离线性能（90.249），并在动态变化下保持适应度接近全局最优。
• 该新算法在所有多峰问题中成功追踪了两个峰，峰检测成功率达到 100%，而其他算法无法维持子种群。
• 适应度共享和清除在单峰问题上表现强劲，但在多峰追踪中表现吃力；岛屿模型和近亲防止整体效果较弱。