模块化差分进化
摘要：迭代优化启发式算法领域经常以迭代的方式进行新的贡献。新颖的算法思想不是孤立地提出的，而是通常作为现有算法的扩展。虽然这些贡献通常与基础算法进行比较，但在较大算法变体集之间进行公平比较是具有挑战性的。这是因为实验设置、参数设置或实现细节的微小变化可能导致结果无法比较。模块化算法提供了一种解决这些挑战的方法。通过将算法修改实现到一个共同的框架中，可以比较许多算法变体，同时确保各版本中的实施细节一致。 在这项工作中，我们提出了一种基于流行的差分进化(DE)算法的模块化框架版本。我们展示了这种模块化方法不仅有助于比较，还可以更详细地探索可能的DE变体空间。通过展示调整模块化DE的设置远远优于在我们的框架中重现的一组常用DE版本，来说明这一点。然后，我们详细研究了这些调整后的算法，强调模块与特定问题上的性能之间的关系。
作者：Diederick Vermetten, Fabio Caraffini, Anna V. Kononova, Thomas B"ack
论文ID：2304.09524
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-04-20