2021年ASOC SCI1区：自适应差分进化算EaDE，深度解析+性能实测

---

1.摘要

现有的多策略自适应差分进化算法（DE）通常会试验多种策略，并将更多资源分配给表现更优的策略。然而，这种方法的实施可能会导致过度开发或过度探索的问题。为了优化性能，本文提出了显式自适应方案（Ea scheme），它将不同策略分开，并根据需求灵活运用。EaDE是将进化过程分为选择候选者与相似性选择（SCSS）代和自适应代。在SCSS代中，通过采用平衡策略来学习和满足开发与探索的需求；而在自适应代中，则根据这些需求自适应地采用开发性或探索性策略。

2.改进策略

在EaDE中，除了SCSS-L-SHADE_GD0.5（标记为S1）外，还包含了两种其他策略：SCSS-L-SHADE_GD0.1（标记为S2）和SCSS-L-CIPDE_GD0.9（标记为S3），这三种策略的主要区别在于变异和交叉算子。SCSS-L-SHADE采用current-to-pbest/1变异和经典的二项交叉，而SCSS-L-CIPDE则使用集体信息驱动（CIP）变异和混合交叉算子。

SCSS-L-CIPDE_GD0.9更加倾向于开发，而SCSS-L-SHADE_GD0.1则倾向于探索。将抽样种群的多样性定义为：
$$Di{v}_G=\frac{1}{NP}\sum _{i=1}^{NP}\Vert {\vec{u}}_{i,G}-{\bar{u}}_G\Vert$$

整个进化过程被划分为若干个不重叠的区间，每个区间包含相等数量的世代。在每个区间内，分别设有SCSS世代和自适应世代，其中SCSS世代的大小为LEN，自适应世代的大小为K×LEN（K为整数）。在SCSS世代中，使用SCSS-L-SHADE_GD0.5策略，并分别计算优质部分和劣质部分的总适应度改进。这一结构旨在通过精确的世代划分和策略分配，优化进化过程中的性能表现。
$$lMP\_S=\sum _{g=1}^{LEN}\sum _{rank(i)=1}^{\lfloor NP/2\rfloor }\Delta f_i$$
$$IMP\_I=\sum _{g=1}^{LEN}\sum _{rank(i)=\lceil NP/2\rceil +1}^{NP}\Delta f_i$$

伪代码

3.结果展示

4.参考文献

[1] Zhang S X, Chan W S, Tang K S, et al. Adaptive strategy in differential evolution via explicit exploitation and exploration controls[J]. Applied Soft Computing, 2021, 107: 107494.

5.代码获取