1.论文题目和关键词
Title:
Differential Evolution with Multi-Population Based Ensemble of Mutation Strategies
基于多种群变异策略组合的差分进化算法
Keywords:
Evolutionary algorithm进化算法；
Differential evolution差分进化算法；
Multi-population多种群；
Ensemble of mutation strategies变异策略组合；
Numerical optimization数值优化.
2.摘要大意
Differential evolution (DE) is among the most efficient evolutionary algorithms (EAs) for global optimization and now widely applied to solve diverse real-world applications. As the most appropriate configuration of DE to efficiently solve different optimization problems can be significantly different, an appropriate combination of multiple strategies into one DE variant attracts increasing attention recently. In this study, we propose a multi-population based approach to realize an ensemble of multiple strategies, thereby resulting in a new DE variant named multi-population ensemble DE (MPEDE) which simultaneously consists of three mutation strategies, i.e., “current-to-pbest/1” and “current-to-rand/1” and “rand/1”. There are three equally sized smaller indicator subpopulations and one much larger reward subpopulation. Each constituent mutation strategy has one indicator subpopulation. After every certain number of generations, the current best performing mutation strategy will be determined according to the ratios between fitness improvements and consumed function evaluations. Then the reward subpopulation will be allocated to the determined best performing mutation strategy dynamically. As a result, better mutation strategies obtain more computational resources in an adaptive manner during the evolution. The control parameters of each mutation strategy are adapted independently as well. Extensive experiments on the suit of CEC 2005 benchmark functions and comprehensive comparisons with several other efficient DE variants show the competitive performance of the proposed MPEDE.
差分进化算法（DE）是求解全局优化问题最有效的进化算法之一，目前广泛应用于处理各种实际应用。由于能有效解决不同优化问题的最合适的差分进化算法配置可能存在显着差异，因此如何将多种策略适当组合到一个差分进化算法变体中引起了越来越多的关注。在本研究中，我们提出了一种基于多种群的方法来实现多种策略组合，从而产生了一个新的差分进化算法变体，称为多种群组合的差分进化算法（MPEDE），它同时包含三种突变策略，即“current-to-pbest/1”和“current-to-rand/1”和“rand/1”。有三个大小相等的较小指标子种群和一个较大的奖励子种群。每种成分突变策略都有一个指标子种群。每经过一定的代数后，将根据适合度改进和消耗函数评估的比值来确定当前性能最佳的变异策略。然后，将奖励子种群动态分配给最佳的变异策略。因此，在进化过程中，更好的变异策略可以自适应的获得更多的计算资源。每个变异策略的控制参数可以独立调整。在CEC 2005基准函数的基础上进行了大量实验及与其他几种有效的差分进化算法变体比较表明，所提出的多种群组合的差分进化算法更具有竞争性。
3.从不同角度分析该篇论文的创新点，并谈谈有什么学术价值
（1）在以往的研究中，多种群技术的应用旨在维持进化算法的种群多样性，而该论文旨在实现多重变异策略组合以及不同进化变异策略之间的自动计算资源分配。
（2）以往的研究将原始总体划分为多个具有相同大小的较小总体，而该论文中子群的大小并不相等。
（3）以往的研究在不同子种群中使用相同的变异策略，该论文在MPEDE中采用了三种变异策略，而表现最佳的变异策略在MPEDE运行期间动态地获得更大的种群资源。
学术价值：多种群框架将成为有效整合多种不同进化策略的新范例。
4.对该篇论文结论的理解及对学习工作的启发
（1）即使将DE应用于一个优化问题，具有不同优势的不同变异策略也可以相互补充，不同变异策略的有效整合是提高差分进化算法表现的有效途径。（模型和算法的整合）
（2）将基于多种群的方法做成一个通用框架，并应用于其他进化算法。
（3）用MPEDE解决更多实际优化问题。