被限制的重要性：处理微分进化等问题中的不可行解

Mar, 2022

被限制的重要性：处理微分进化等问题中的不可行解

The importance of being constrained: dealing with infeasible solutions in Differential Evolution and beyond

Anna V. Kononova, Diederick Vermetten, Fabio Caraffini, Madalina-A. Mitran, Daniela Zaharie

TL;DR通过理论分析和实验验证，论文提出必须在启发式优化算法中明确规定如何处理超出范围解的策略，这个问题对于 Differential Evolution 等算法的表现，扰动性和种群多样性有显著的影响，尤其是在高维问题中。建议该领域正式采纳这一算法部件的概念，并在算法描述中规定，以保证结果可复制和更深入地了解其整体影响，以此自动化算法设计。

Abstract

We argue that results produced by a heuristic optimisation algorithm cannot be considered reproducible unless the algorithm fully specifies what should be done with solutions generated outside the domain, even in the case of simple box constraints. Currently, in the field of heuristic

heuristic optimization reproducibility differential evolution infeasible solutions box constraints

发现论文，激发创造

一种高效的基于当前最先进策略的重建差分进化变异体用于解决单目标约束问题

本文提出了一种重构的差分进化算法（RDE），用于解决复杂的单目标有界优化问题，并在 2024 年 IEEE 进化计算大会（CEC2024）的基准测试中与其他高级差分进化变体进行了实验，实验结果表明 RDE 在解决复杂优化问题时具有较好的性能。

Apr, 2024

离散黑盒优化启发式的复杂性理论

研究演化算法的理论，尤其是随机黑盒优化技术理论中占主导地位的一个话题是运行时间分析，它旨在通过限制启发式算法在给定问题上需要的函数评估次数来理解其性能，并通过复杂性理论来研究算法解决问题的极限。该论文从黑盒优化的角度回顾了文献中提出的不同的黑盒复杂性模型，并对这些模型的界限进行了调查，探讨了运行时间分析和黑盒复杂性的相互作用如何启发演化计算中已经研究的问题的新算法解决方案，并讨论了未来工作的若干有趣的开放性问题。

Jan, 2018

基于多目标自动设计算法的约束问题分量分析

研究自动设计算法对多目标优化算法性能影响的新方法，发现重启和更新策略对性能改进影响最大，影响程度还与问题难度相关。

Mar, 2022

贝叶斯优化中的边界探索和未知物理约束

本文提出了一种新的贝叶斯优化方法 BE-CBO，通过有效地探索可行设计和不可行设计之间的边界来识别约束条件，并通过综合实验在合成和实际基准测试中展示出卓越的性能。

Feb, 2024

表观遗传阻断对动态多目标优化问题的影响

本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较，并提供了初步的实验证据表明，更多的算法应该探索自然界中丰富的表观遗传机制。

Nov, 2022

区间约束 CP 和进化算法的混合优化困难问题

本文提出了一种协作框架，其中区间方法和进化算法相互合作，以实现全局优化的数字证明，并将其与现有的区间法和 NLP 法进行了比较

Oct, 2015

深度强化学习用于动态算法选择：关于差分进化的原理验证研究

通过深度强化学习动态算法选择框架，本文提出了一种旨在解决单一算法在解决不同问题实例时的有效性差异的方法，该方法利用一组算法的互补优势，并在优化过程中动态调度它们以解决特定问题。

Mar, 2024

多目标进化算法中组件效应对算法行为的影响

研究使用自动设计的算法对多目标进化算法进行了效果评估，通过比较搜索轨迹网络、种群的多样性和任意时刻的超体积值，发现算法组件对于不同问题具有不同的影响。

Jul, 2023

带概率约束问题的三目标帕累托优化

本文研究了使用三目标公式来解决具有机会约束的问题，证明该公式在处理确定性基数约束时只需进行 1 位翻转即可计算所有所需的权衡，并且在实验中检验了其在优化支配集问题中的好处。

Apr, 2023

应对库存管理中需求的不确定性和变异性的多个独立差分进化优化

本实证研究旨在确定元启发式差分进化优化策略在随机需求背景下的库存管理领域的有效性，并通过深入调查揭示最有效的策略以最小化不确定需求模式下的库存成本。结果显示，差分进化算法在优化库存管理方面优于其他算法，同时探讨了拉丁超立方抽样等参数调优方法。该研究引入了一种新颖且有前景的方法，为库存管理领域带来了潜在的性能和成本效益的提升，特别是在存在随机需求模式的情况下。

Sep, 2023