Evolutionary dynamic constrained optimization: Test suite construction and algorithm comparisons
Evolutionary dynamic constrained optimization: Test suite construction and algorithm comparisons
复制标题
进化动态约束优化：测试套件构建和算法比较
DOI：
10.1016/j.swevo.2019.100559
复制
发表时间：
2019-11
影响因子：
10
通讯作者：
Zhao Shuang
中科院分区：
文献类型：
--
作者：
Wang Yong;Yu Jian;Yang Shengxiang;Jiang Shouyong;Zhao Shuang
许多现实世界的应用程序可以建模为动态约束优化问题（dcop）。由于目标函数和/或约束会随着时间的推移而变化，解决dcop是一项具有挑战性的任务。虽然进化算法求解dcop问题已经引起了进化计算界越来越多的关注，但dcop的基准测试函数设计仍然不足。因此，我们为dcop提出了一个测试套件。选择一种具有良好时变特性的动态无约束优化基准，即移动峰值基准作为测试套件的目标函数。此外，设计了可调动态约束，可灵活控制可行区域的大小、数量和变化程度。在本文提出的测试套件上，对三种动态约束优化进化算法进行了性能测试，提出了一种动态约束优化差分进化算法（DyCODE）。DyCODE主要包括三个阶段：1)第一阶段通过多种群搜索策略从不同方向迅速进入可行区域；2)在第二阶段，从第一阶段中选出一些优秀个体组成一个新的种群，寻找当前环境的最优解；第三阶段将前两个阶段的记忆个体与一些随机生成的个体结合起来，重新初始化种群，以适应下一个环境。通过实验，可以深入了解三种比较算法求解dcop的优缺点。此外，我们还对研究人员在不同场合应用这三种算法提出了一些建议。
Many real-world applications can be modelled as dynamic constrained optimization problems (DCOPs). Due to the fact that objective function and/or constraints change over time, solving DCOPs is a challenging task. Although solving DCOPs by evolutionary algorithms has attracted increasing interest in the community of evolutionary computation, the design of benchmark test functions of DCOPs is still insufficient. Therefore, we propose a test suite for DCOPs. A dynamic unconstrained optimization benchmark with good time-varying characteristics, called moving peaks benchmark, is chosen to be the objective function of our test suite. In addition, we design adjustable dynamic constraints, by which the size, number, and change severity of the feasible regions can be flexibly controlled. Furthermore, the performance of three dynamic constrained optimization evolutionary algorithms is tested on the proposed test suite, one of which is presented in this paper, named dynamic constrained optimization differential evolution (DyCODE). DyCODE includes three main phases: 1) the first phase intends to enter the feasible region from different directions promptly via a multi-population search strategy; 2) in the second phase, some excellent individuals chosen from the first phase form a new population to search for the optimal solution of the current environment; and 3) the third phase combines the memory individuals of the first two phases with some randomly generated individuals to re-initialize the population for the next environment. From the experiments, one can understand the strengths and weaknesses of the three compared algorithms for solving DCOPs in depth. Moreover, we also give some suggestions for researchers to apply these three algorithms on different occasions.
登录
查看更多内容
DOI：
10.1007/978-3-540-78761-7_65
发表时间：
2008-03
期刊：
--
影响因子：
--
作者：
Hendrik Richter;Shengxiang Yang
通讯作者：
Hendrik Richter;Shengxiang Yang
一种在自然启发的优化算法中调整坐标系的自适应框架
影响因子：
11.8
作者：
Liu Zhi Zhong;Wang Yong;Yang Shengxiang;Tang Ke
通讯作者：
Tang Ke
DOI：
10.1016/j.patrec.2007.12.012
发表时间：
2008-06
期刊：
Pattern Recognit. Lett.
影响因子：
--
作者：
J. Pantrigo;Ángel Sánchez;A. S. Montemayor;A. Duarte
通讯作者：
J. Pantrigo;Ángel Sánchez;A. S. Montemayor;A. Duarte
影响因子：
14.3
作者：
Runarsson, TP;Yao, X
通讯作者：
Yao, X
基于危险理论的人工免疫系统求解动态约束单目标优化
影响因子：
4.1
作者：
Zhuhong Zhang;Shigang Yue;Min Liao;Fei Long
通讯作者：
Fei Long