Key points are not available for this paper at this time.
Evolutionsalgorithmen (EAs) sind bekannte Optimierungsansätze zur Lösung von nichtlinearen und komplexen Problemen. Diese populationsbasierten Algorithmen sind jedoch rechnerisch teuer aufgrund der langsamen Natur des Evolutionsprozesses. Dieser Artikel präsentiert einen neuartigen Algorithmus zur Beschleunigung der differentiellen Evolution (DE). Die vorgeschlagene opposition-basierte DE (ODE) nutzt opposition-basiertes Lernen (OBL) sowohl zur Initialisierung der Population als auch für den Sprung zwischen Generationen. In dieser Arbeit wurden gegensätzliche Zahlen verwendet, um die Konvergenzgeschwindigkeit der DE zu verbessern. Ein umfassendes Set von 58 komplexen Benchmarkfunktionen, einschließlich einer breiten Palette von Dimensionen, wird zur experimentellen Verifikation eingesetzt. Der Einfluss der Dimensionalität, der Populationsgröße, der Sprungrate und verschiedener Mutationsstrategien wird ebenfalls untersucht. Darüber hinaus wird der Beitrag von gegensätzlichen Zahlen empirisch verifiziert. Wir bieten auch einen Vergleich von ODE mit fuzzy-adaptiver DE (FADE). Die experimentellen Ergebnisse bestätigen, dass ODE in Bezug auf Konvergenzgeschwindigkeit und Lösungsgüte besser abschneidet als die originale DE und FADE.
Rahnamayan et al. (Fri,) haben diese Frage untersucht.