标题 | A Network Community-based Differential Evolution for Multimodal Optimization Problems |
---|---|
作者 | Xi-Yuan Chen; Hong Zhao; Jing Liu |
机构 | Xidian University |
邮箱 | cc_rank@163.com |
论文 | https://doi.org/10.1016/j.ins.2023.119359 |
摘要
多模态优化问题(MMOPs)的目标是同时定位多个全局最优点,这对解的多样性要求很高。小生境作为一种为进化算法量身定制的多样性保护策略,已被广泛地应用于许多处理 MMOPs 的算法中。然而,许多现有的小生境技术需要预先定义参数来控制小生境的大小或数量,使得算法对参数非常敏感。以个体为节点,以两个个体的距离为边,以近代的历史信息为节点属性,构建种群作为网络,其目的是在不依赖敏感参数的情况下,通过社区检测来划分生态位。受这一思想的启发,本文提出了一种基于网络的多模态优化问题差分进化方法(NetCDEMMOPs)。
在NetCDEMMOPs中,提出了三种策略并协同工作。首先,基于社区检测的小生境(CDN)策略将种群构建为一个属性网络,在没有敏感参数的情况下自动划分为多个小生境;其次,基于社区精英的更新(CEU)策略将更多的进化资源分配给社区精英个体,并基于历史信息对这些精英进行预测和更新。最后,不良个体重塑(PIR)策略对排名最后的个体进行重塑,并引导他们走向有前途的位置。在广泛采用的CEC'2013测试套装上进行了大量实验后,实验结果表明,NetCDEMMOPs优于许多成功或最新的mops算法。
创新点
提出了一种基于社区检测的小生境(CDN)策略。CDN策略可以在不明确定义小生境的数量和规模的情况下,根据个人在搜索空间中的分布情况,自动合理地将人群划分为几个小生境。DE 作为 EAs 的一个分支,具有较少的控制参数和优秀的全局搜索能力。本文将 CDN 策略整合到标准 DE 中,提出基于网络社区的差分进化算法(NetCDEMMOPs)。采用CDN策略将种群划分为多个生态位/群落后,对每个群落进行遗传演化操作(突变、交叉和选择操作)。由于每个社区内的精英个体通常具有较强的探索能力,因此引入基于社区精英的更新(community elite-based update, CEU)策略来更新这些社区精英。随着人口进入开发阶段,提出贫困个体重塑策略,帮助贫困个体跳出局部最优,引导其向潜在全局最优附近的社区迁移。具体来说,本文的三个主要贡献如下:
-
CDN 策略以个体为节点,以两个个体之间的逆距离为边权,以个体历史信息为属性。然后将种群构建为一个属性网络,将生态位视为社区。改进的群落检测方法可以在不需要任何敏感参数的情况下,将种群自动划分为多个不同大小的生态位。
-
CEU 策略将进化机会视为资源,并将这些资源分配给社区内的少数精英个体,称为社区精英。此外,CEU 策略还利用存储在节点属性中的历史信息来预测社区精英的进化趋势。如果个体有显著的进步趋势,我们更新个体而不需要 FEs 成本。
-
提出了 PIR 策略来重塑贫困个体,包括陷入局部最优状态的停滞个体和在人口中排名最后的个体。在 PIR 策略中,采用一种新颖的重塑算子将贫困个体分配到潜在全局最优附近的社区,有效地加速了目标社区的收敛,同时改善了人口中的贫困个体。
基于网络社区的小生境策略
。
将种群转化为属性网络后,第三步是社区检测。作为一种经典的复杂网络社区检测方法,Louvain 在许多不同的场景下都是有效的。然而,Louvain 是一个以贪婪策略为中心的算法,所以如果它能提高模块化,它倾向于合并两个应该分开的社区。在每次迭代中,Louvain 将检测到的社区构建到新的节点中,然后这些节点聚集形成新的社区。如图3所示,当两个峰之间的距离很近时,Louvain 倾向于将两个峰的个体合并为一个群落,从而导致在随后的收敛过程中失去一个最优。为了克服这一局限性,CDN 策略将 Louvain 检测到的初步社区作为小生境,以避免彼此接近的社区合并。
社区精英进化策略
在进化过程中,存在一个普遍现象,即搜索空间的最优解通常由少数个体获得,大多数个体的存在是以牺牲较高的 FEs 为代价来提高种群的多样性。受此启发,CEU 策略将更多的进化资源分配给群体内的精英个体,使其进化更多代,从而使算法快速定位最优。
为了将精英个体从社区中分离出来,定义了每个社区(即 NE )中精英个体的数量。通过对每个社区内的个体按适应度降序排序,将排名靠前的NE个体定义为社区精英。这些精英个体比社区中的其他人拥有更强的开发能力,使他们更有效地找到附近的最优点。通过关注这些被挑选出来的精英个体所进行的探索,该算法可以有效地保留大量的 FEs,同时保证种群的收敛性。
此外,个体的进化轨迹通常是一个接近最优状态的过程。在属性网络G中,前三代个体的位置信息和适应度信息分别记录在属性H和属性A中。如果可以根据个人的历史信息合理地推断其未来趋势,则可以在不消耗额外 FEs 的情况下对其进行更新。
重塑落后个体
在 MMOPs 中,影响群体寻求全局最优的问题有两类。首先是如何平衡利基市场的规模。在搜索空间中,被认为是全局最优的峰值通常表现出不同的特征。有些山峰坡度平缓,吸引了大量的个体,而另一些山峰坡度陡峭,导致附近只有少数个体。这些陡峭山峰附近个体的稀缺性削弱了相应群体的搜索能力。因此,种群很容易失去这些潜在的全球最优点所在的陡峭山峰。第二个问题是如何更好地利用停滞不前的个人。在开发阶段,随着进化的进行和 FEs 的消耗,各群落逐渐向其局部最优收敛,群落精英达到较高的适应度水平。然而,群落内剩余个体的适合度仍然很低。此外,一些社区聚集在局部最优附近,在那里个体很难跳出局部最优。这些个体浪费了大量的 FEs ,从而降低了算法的性能。
综合考虑上述两个问题,本文提出的 PIR 策略将贫困个体引导到那些小社区。这些穷人要么是被困在局部最优状态中的停滞不前的个体,要么是一个大社区的底层。如果一个差个体在网络属性中存储的所有适应度信息中始终表现出较低的适应度值,则通过PIR策略中的重塑算子对其进行重塑。
实验结果
不同的小生境技术对算法有不同的影响,如 CDE、NCDE、PNPCDE、LoICDE、DSDE/DSDE-c、LBPADE、ANDE 等,在种群划分方面取得了优异的效果。PMODE 以惩罚策略代替生态位技术,在维持种群多样性方面也表现出显著的效果。因此,将 NetCDEMMOPs 的性能与当前流行的多模态算法进行了比较。此外,我们还将 NetCDEMMOPs 与其他三种多模态 EAs 进行了比较:LIPS、 LMSEDA 和 OIF-BSO。所有实验均使用相同的 MaxFE 进行,以确保比较的公平性。表中给出的大多数算法的结果均来自各自的论文。
总体而言,NetCDEMMOPs 可以在低维简单函数中找到大部分最优点,在低维复合函数中表现出较强的竞争力。随着问题维度的增加,NetCDEMMOPs 的优势越来越明显,当维度达到20时,NetCDEMMOPs 比其他最先进的算法具有明显的优势。因此,NetCDEMMOPs在处理大多数多模式问题方面是可行的和有前景的。
组件分析
传统的生态位技术,如拥挤和物种形成,分别需要预先确定拥挤大小和物种半径。类似地,基于聚类的小生境技术通常涉及指定聚类大小,例如k-means中的k。这些参数很敏感,在处理复杂和动态问题时可能会带来挑战。ANDE试图通过使用亲和性传播聚类(affinity propagation clustering, APC)来解决这个问题,以避免敏感参数对算法性能的影响。APC消除了聚类大小的影响,但引入了一个新的阻尼参数λ,该参数仍然影响聚类效果。本文将社区检测作为复杂网络中的一种聚类方法。基于节点间的关系信息,Louvain 算法可以在没有敏感参数的情况下完成网络的划分。因此,我们开发了一种基于 Louvain 的小生境方法,并进行了进一步的改进,以获得更好的细分效果。
考虑到所有功能的总体性能,NetCDEMMOPs 明显优于其他三个变体。事实证明,CDN 策略比其他经过测试的利基方法更有效。CDN 策略的一个优点是它能够根据搜索空间中解决方案的分布自适应地形成利基。此外,该算法不需要预先定义敏感参数,保证了算法的通用性和对所有问题的适用性。
CEU 策略被引入 NetCDEMMOPs 以减少 FEs 的数量,同时改善种群的收敛。节省下来的 FEs 可用于后续的 PIR 策略。PIR 战略旨在重塑停滞不前的个体,帮助他们逃离当地的最佳状态,并将他们分配到有前途的地区。为了进一步研究 CEU 和 PIR 在 NetCDEMMOPs 中的有效性,我们进行了一系列对比实验。在图中,变体 noCEU 表示没有 CEU 策略的NetCDEMMOPs,而 noPIR 指的是没有 PIR 策略的类似变体。
实验结果表明,提出的 NetCDEMMOPs 算法优于现有的11种多模态算法。一方面,NetCDEMMOPs的性能在实验结果中优于大多数算法,但在复杂问题中仍不能找到所有全局最优解。另一方面,实际问题往往涉及更严格的条件和对算法的更高要求,这就要求算法设计者在算法的设计和实现过程中进行更深入的思考和优化。在实际问题中,适应度评估的计算可能是昂贵的,需要昂贵的物理实验或耗时的模拟。因此,研究人员逐渐将重点放在了昂贵的MMOP (EMMOP)上。我们的算法在一些无法找到全局最优的问题上花费了太多不必要的 FEs,所以在未来,我们的目标是进一步改进 NetCDEMMOPs,并将其应用于 EMMOPs,以解决更多的实际问题。