Un algoritmo de evolución diferencial adaptativa con estrategias nuevas de mutación y cruce para la optimización numérica global

La evolución diferencial (DE) es uno de los optimizadores estocásticos de parámetros reales más poderosos de interés actual. En este documento, proponemos una nueva estrategia de mutación, un esquema de selección de padres inducido por la aptitud para el cruce binomial de DE, y un esquema simple pero efectivo de adaptación de dos de sus parámetros de control más importantes con el objetivo de lograr un rendimiento mejorado. El nuevo operador de mutación, que llamamos DE/current-to-grbest/1, es una variante del esquema clásico DE/current-to-best/1. Usa el mejor de un grupo (cuyo tamaño es q% del tamaño de la población) de soluciones seleccionadas al azar de la generación actual para perturbar el vector padre (objetivo), a diferencia de DE/current-to-best/1 que siempre elige el mejor vector de toda la población para perturbar el vector objetivo. En nuestro marco modificado de recombinación, se ha incorporado un esquema de selección de padres sesgado permitiendo que cada mutante pase por el cruce binomial habitual con uno de los p individuos mejor clasificados de la población actual y no con el vector objetivo con el mismo índice que se utiliza en todas las variantes de DE. Se compara una variante de DE obtenida integrando las estrategias propuestas de mutación, cruce y adaptación de parámetros con el marco clásico de DE (desarrollado en 1995) con dos variantes clásicas y cuatro variantes adaptativas de DE de última generación sobre 25 estándares numéricos tomados de la competencia del Congreso IEEE sobre Computación Evolutiva 2005 y la sesión especial sobre optimización de parámetros reales. Nuestro estudio comparativo indica que los esquemas propuestos mejoran el rendimiento de DE en gran medida, de tal manera que se vuelve capaz de disfrutar de una superioridad estadística sobre las variantes de DE de última generación para una amplia variedad de problemas de prueba. Finalmente, demostramos experimentalmente que, si se integran una o más de nuestras estrategias propuestas con variantes DE existentes poderosas como jDE y JADE, sus rendimientos también pueden mejorarse.