Differentiale Evolution mit adaptiven Kreuzungs- und Sortiermutationsstrategien für hochdimensionale Optimierung

Hochdimensionale kontinuierliche Optimierungsprobleme sind in vielen modernen Anwendungen aufgetaucht, darunter Ingenieurdynamik, Merkmalslernen und Big-Data-Analytik. Eine effiziente und skalierbare Optimierungsmethode wird benötigt, um die Lösungsräume zu durchsuchen, die mit der Anzahl der Entscheidungsvariablen exponentiell wachsen. In diesem Papier schlagen wir einen adaptiven Differential-Evolution-Algorithmus vor, der adaptive Kreuzungs- und Sortiermutationsstrategien (DEASCSM) verwendet, um Probleme mit Dimensionen von bis zu 1000 zu lösen. Die adaptive Kreuzung passt die Suche an verschiedene Problemlandschaften an, während die Sortiermutation die Konvergenz beschleunigt. Wir untersuchen die Skalierbarkeit des Algorithmus, indem wir sowohl den Wert-zu-erreichenden als auch den begrenzten Budgetansatz berücksichtigen und bewerten seine Leistung bei mehreren Benchmark-Funktionen. Experimentelle Ergebnisse zeigen, dass der DEASCSM-Algorithmus optimale Lösungen für hochdimensionale Probleme finden kann und unterschiedlich skaliert, je nach den Eigenschaften des Problems. Der Leistungsvergleich mit bekannten Methoden zeigt seine Überlegenheit.