DOI: https://doi.org/10.1007/s10462-024-11053-1
تاريخ النشر: 2025-01-06
المؤلف: Shengwei Fu وآخرون
الموضوع الرئيسي: تقنيات التحليل العددي المتقدمة
نظرة عامة
يقدم هذا القسم نظرة عامة على خوارزمية تطور تفاضلي معدلة، تُسمى mLSHADE-SPACMA، مصممة لتعزيز تحسين الأرقام ومهام تسجيل سحب النقاط. بناءً على LSHADE-SPACMA الأصلية، التي تم التعرف عليها كخوارزمية رائدة في مسابقة CEC2017، يحدد المؤلفون القيود في قدراتها على الاستغلال المحلي. لمعالجة هذه القضايا، يقدمون ثلاث ابتكارات رئيسية: آلية تصفية وتوليد محسّنة لتعزيز الاستغلال المحلي، واستراتيجية طفرات تستخدم نهج شبه بارامتريكي معدل مع ضغط انتقائي قائم على الرتبة لتحسين الاتجاه التطوري، وآلية أرشفة خارجية قائمة على النخبة تحافظ على تنوع السكان وتسريع التقارب.
يتم تقييم فعالية mLSHADE-SPACMA من خلال تجارب تحسين عددية واسعة باستخدام مجموعات اختبار CEC2014 و CEC2017، حيث يتم مقارنتها مع عشرة خوارزميات فائزة حديثة من CEC وأربعة متغيرات متقدمة. تشير نتائج الاختبارات الإحصائية، بما في ذلك اختبار ويلكوكسون لاختبار الرتبة الموقعية واختبار متوسط رتبة فريدمان، إلى أن mLSHADE-SPACMA يتفوق على LSHADE-SPACMA الأصلية ومعظم المحسنات عالية الأداء الأخرى، باستثناء L-SRTDE في مجموعة CEC2017. بالإضافة إلى ذلك، يتم إثبات قابلية تطبيق الخوارزمية عمليًا من خلال محاكاة على 25 حالة تسجيل سحب النقاط من مجموعة بيانات التسجيل العالمي السريع. تم جعل الشيفرة الخاصة بـ mLSHADE-SPACMA متاحة للجمهور لمزيد من البحث والتطبيق.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية خوارزميات التحسين في مجالات علمية وهندسية متنوعة، لا سيما للمشاكل المعقدة مثل تحسين الأرقام، وتوجيه المركبات، وتحديد المعلمات. من بين هذه الخوارزميات، تُعتبر خوارزمية التطور التفاضلي (DE)، التي قدمها ستورن وبرايس في عام 1997، معروفة ببساطتها وفعاليتها في قدرات البحث العالمية. ومع ذلك، لا تزال التحديات مثل الحفاظ على تنوع السكان وتجنب التقارب المبكر قائمة، مما يدفع إلى تطوير العديد من متغيرات DE التي تتضمن آليات تكيفية واستراتيجيات طفرات جديدة لتعزيز الأداء.
تناقش الورقة عدة متغيرات ملحوظة من DE، بما في ذلك JADE وSHADE وLSHADE، التي قدمت آليات مثل الأرشيفات الخارجية وتاريخ النجاح لتحسين نتائج التحسين. على الرغم من نجاحاتها، تواجه هذه المتغيرات، وخاصة LSHADE-SPACMA، قيودًا في حساسية المعلمات وقدرات الاستغلال المحلي. لمعالجة هذه القضايا، يقترح المؤلفون متغيرًا جديدًا، mLSHADE-SPACMA، الذي يعزز أداء الخوارزمية من خلال تحسين التحكم في المعلمات، وعوامل الطفرة المكررة، وآلية أرشفة خارجية قوية. توضح الورقة مساهماتها، بما في ذلك استراتيجية دقيقة لاستخدام معلومات السكان الحالية وإجراء تحليلات حساسية لتحسين إعدادات المعلمات، مما يمهد الطريق للأقسام التالية التي تفصل المنهجية والتجارب والاستنتاجات.
مناقشة
تتناول قسم المناقشة في الورقة البحثية خوارزمية التطور التفاضلي (DE)، وخاصة متغيراتها مثل LSHADE وiL-SHADE وjSO وLSHADE-RSP، مع التركيز على آلياتها للتحسين. تعمل DE من خلال دورة من الطفرات، والتقاطع، والاختيار، حيث يتم تحسين الحلول المرشحة بشكل تكراري للتقارب نحو الحلول المثلى. تستخدم متغير LSHADE استراتيجية طفرات من الحالية إلى الأفضل، مع ضبط عوامل القياس واحتمالات التقاطع بناءً على الأداء التاريخي لتعزيز قدرات الاستكشاف والاستغلال. تهدف إدخال الأرشفة الخارجية وآليات تحديث الذاكرة التاريخية إلى الحفاظ على تنوع السكان ومنع التقارب المبكر.
تتناول الورقة أيضًا إطار عمل mLSHADE-SPACMA، الذي يدمج استراتيجيات التكيف شبه البارامتري ونهج هجين يجمع بين LSHADE-SPA وخوارزمية CMA-ES المحسّنة. يهدف هذا الإطار إلى معالجة اختناقات الأداء من خلال تحسين استراتيجيات الطفرات، وتعزيز آلية الأرشفة الخارجية، وتنفيذ عمليات تصفية وتوليد دقيقة. تم تصميم التعديلات المقترحة لتحسين قابلية تكيف الخوارزمية وسرعة التقارب عبر مجموعة متنوعة من مشاكل التحسين. يتم تقييم فعالية هذه التحسينات من خلال تجارب عددية على مجموعة متنوعة من دوال الاختبار، مما يظهر أداء الخوارزمية القوي في تحقيق التوازن بين الاستكشاف والاستغلال.
القيود
تظهر خوارزمية mLSHADE-SPACMA نقاط قوة ملحوظة في تحسين الأبعاد العالية، حيث تتفوق بشكل خاص في مجموعات اختبار CEC2014 و CEC2017، حيث تتفوق على عدة خوارزميات متنافسة. تُعزى قدرتها الفعالة على الاستغلال المحلي إلى آلية التصفية والتوليد الدقيقة، التي تعزز التوازن بين البحث العالمي والاستغلال المحلي، مما يحسن كفاءة البحث في الدوال الأبسط. بالإضافة إلى ذلك، تساهم آلية تخزين الملفات النخبوية في الحفاظ على تنوع الحلول وكفاءة التقارب خلال التكرارات.
ومع ذلك، تظهر mLSHADE-SPACMA قيودًا، لا سيما في قدرتها على البحث العالمي عند تطبيقها على بعض الدوال الهجينة والتركيبية، حيث تؤدي بشكل أقل فعالية مقارنة بخوارزميات مثل HSES وL-SRTDE وLensOBLDE. كما أن وقت تنفيذ mLSHADE-SPACMA أعلى من وقت الخوارزمية الأصلية بسبب التعقيدات التي أدخلتها آلياتها. تشير التحليلات الإحصائية، بما في ذلك اختبار ويلكوكسون لاختبار الرتبة الموقعية واختبار متوسط رتبة فريدمان، إلى أن mLSHADE-SPACMA تتفوق عليها متغير L-SRTDE في مجموعة اختبار CEC2017، مما يبرز الحاجة إلى تطويرات مستقبلية لخوارزميات ذات قابلية توسيع محسّنة وموثوقية أكبر.
DOI: https://doi.org/10.1007/s10462-024-11053-1
Publication Date: 2025-01-06
Author(s): Shengwei Fu et al.
Primary Topic: Advanced Numerical Analysis Techniques
Overview
The section presents an overview of a modified differential evolution algorithm, termed mLSHADE-SPACMA, designed to enhance numerical optimization and point cloud registration tasks. Building on the original LSHADE-SPACMA, which was recognized as a leading algorithm in the CEC2017 competition, the authors identify limitations in its local exploitation capabilities. To address these, they introduce three key innovations: a refined elimination and generation mechanism to boost local exploitation, a mutation strategy that employs a modified semi-parametric adaptive approach with rank-based selective pressure to improve evolutionary direction, and an elite-based external archiving mechanism that maintains population diversity and accelerates convergence.
The effectiveness of mLSHADE-SPACMA is evaluated through extensive numerical optimization experiments using the CEC2014 and CEC2017 test suites, where it is compared against ten recent CEC winner algorithms and four advanced variants. Results from statistical tests, including the Wilcoxon signed-rank test and the Friedman mean rank test, indicate that mLSHADE-SPACMA outperforms the original LSHADE-SPACMA and most other high-performance optimizers, with the exception of L-SRTDE on the CEC2017 suite. Additionally, the algorithm’s practical applicability is demonstrated through simulations on 25 point cloud registration cases from the Fast Global Registration dataset. The code for mLSHADE-SPACMA is made publicly available for further research and application.
Introduction
The introduction of this research paper highlights the significance of optimization algorithms in various scientific and engineering domains, particularly for complex problems such as numerical optimization, vehicle routing, and parameter identification. Among these algorithms, the Differential Evolution (DE) algorithm, introduced by Storn and Price in 1997, is noted for its simplicity and effectiveness in global search capabilities. However, challenges such as maintaining population diversity and avoiding premature convergence persist, prompting the development of numerous DE variants that incorporate adaptive mechanisms and novel mutation strategies to enhance performance.
The paper discusses several notable DE variants, including JADE, SHADE, and LSHADE, which have introduced mechanisms like external archives and success history to improve optimization outcomes. Despite their successes, these variants, particularly LSHADE-SPACMA, face limitations in parameter sensitivity and local exploitation capabilities. To address these issues, the authors propose a new variant, mLSHADE-SPACMA, which enhances algorithm performance through improved parameter control, refined mutation operators, and a robust external archiving mechanism. The paper outlines its contributions, including a precise strategy for utilizing current population information and conducting sensitivity analyses to optimize parameter settings, setting the stage for subsequent sections that detail the methodology, experiments, and conclusions.
Discussion
The discussion section of the research paper elaborates on the Differential Evolution (DE) algorithm, particularly its variants such as LSHADE, iL-SHADE, jSO, and LSHADE-RSP, emphasizing their mechanisms for optimization. DE operates through a cycle of mutation, crossover, and selection, where candidate solutions are iteratively refined to converge on optimal solutions. The LSHADE variant employs a current-to-pbest mutation strategy, adjusting scaling factors and crossover probabilities based on historical performance to enhance exploration and exploitation capabilities. The introduction of external archiving and historical memory updating mechanisms aims to maintain population diversity and prevent premature convergence.
The paper further discusses the mLSHADE-SPACMA framework, which integrates semi-parametric adaptation strategies and a hybrid approach combining LSHADE-SPA with an improved CMA-ES algorithm. This framework aims to address performance bottlenecks by refining mutation strategies, enhancing the external archive mechanism, and implementing precise elimination and generation processes. The proposed modifications are designed to improve the algorithm’s adaptability and convergence speed across various optimization problems. The effectiveness of these enhancements is evaluated through numerical experiments on a diverse set of test functions, demonstrating the algorithm’s robust performance in balancing exploration and exploitation.
Limitations
The mLSHADE-SPACMA algorithm demonstrates notable strengths in high-dimensional optimization, particularly excelling in the CEC2014 and CEC2017 test sets, where it outperforms several competing algorithms. Its effective local exploitation capability is attributed to the precise elimination and generation mechanism, which enhances the balance between global search and local exploitation, thereby improving search efficiency in simpler functions. Additionally, the elite file storage mechanism contributes to maintaining solution diversity and efficient convergence during iterations.
However, mLSHADE-SPACMA exhibits limitations, particularly in its global search ability when applied to certain hybrid and composition functions, where it performs less effectively compared to algorithms like HSES, L-SRTDE, and LensOBLDE. The execution time of mLSHADE-SPACMA is also higher than that of the original algorithm due to the complexities introduced by its mechanisms. Statistical analyses, including the Wilcoxon signed-rank test and Friedman mean rank test, indicate that mLSHADE-SPACMA is outperformed by the L-SRTDE variant on the CEC2017 test suite, highlighting a need for future developments of algorithms with enhanced scalability and robustness.