DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization
本文引入了 DE-2LS，这是一种通过增强型预算感知后期局部搜索策略来提升性能的差分进化框架，该策略显著提高了相比于原始 RDEx 算法及其他具有竞争力的 IEEE CEC 获奖算法在收敛速度和解质量方面的表现。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图在一个充满丘陵、隆起和隐藏低洼处的巨大且雾气缭绕的山谷中，寻找绝对最低的点。这就是计算机科学家所说的“优化”。你拥有一支探险队（一组解），正在寻找这个最低点，但你的时间（固定的“函数评估”预算）和精力都是有限的。
这篇论文介绍了一种名为 DE-2LS 的新策略，旨在帮助你的探险家们更快、更准确地找到底部。
以下是它的工作原理，使用简单的类比进行说明：
起点：“RDEx”团队
作者从一个现有的、非常优秀的探险队 RDEx 开始。把 RDEx 想象成一个高度专业化的徒步小组，他们知道如何分散开来并快速覆盖大量区域。他们使用一套聪明的系统来决定谁领路、谁跟随，以确保他们不会被困在小的隆起处。
然而，作者注意到一个问题：“后期阶段”问题。
当团队接近山谷底部（有希望的区域）时，他们惯常的“在周围徒步”的方法变得有点过于笨拙了。他们可能在应该小心翼会儿脚时却在迈大步。他们擅长找到大致区域，但不擅长在时间耗尽前将最终位置打磨得完美无缺。
解决方案：DE-2LS（“打磨”团队）
作者不想解雇整个 RDEx 团队并重新开始。相反，他们在现有团队中加入了一个专门的后期打磨小组。他们将这个新系统称为 DE-2LS。
可以这样理解：
- 主线徒步（全局搜索）： 在旅程的前 75% 时间里，团队的行为与原始的 RDEx 完全一致。他们在不同的山谷中奔跑、探索，并找到最低点所在的概略区域。
- “平滑”切换： 当行程进行到 75% 时，团队领队会稍微改变规则。不再进行狂野的猜测，而是开始进行更精确、更平稳的调整。这就像是从冲刺切换到稳定的、专注的慢跑。
- “受控”打磨（局部搜索）： 这是核心秘诀。当团队领队注意到小组在同一个地方停留了一段时间却没能找到更好的位置时（停滞状态），他们会派出一名专门的侦察兵。
- 这名侦察兵跑得不远。他们就站在当前最佳位置的旁边。
- 他们在每个方向（东、南、西、北）迈出极小、谨慎的步伐，看看是否能找到一个仅仅比现在低一英寸的点。
- 如果找到了更低的点，整个团队会立即移向那里。
- 如果没找到，侦察兵会采取更微小的步伐。
- 至关重要的一点是： 这名侦察兵只占用团队剩余时间的极小一部分。他们是“具备预算意识的”，这意味着他们不会把整个团队的精力都浪费在一个微小的点上。
为什么这更好？
作者在 29 个不同的“山谷”（测试问题）中，将这个新团队与原始 RDEx 团队以及其他几个著名的徒步团队（算法）进行了对比测试。
- 评分： 他们使用了一种特殊的评分系统，称为 U-score，它衡量两个方面：
- 准确度： 你能到达多低的地方？
- 速度： 你到达那里有多快？
- 结果：
- 与原始的 RDEx 团队相比，新的 DE-2LS 团队提高了 11.45% 的得分。他们找到了更好的位置，而且速度更快。
- 与所有其他顶尖的徒步团队相比，DE-2LS 获得了第一名，以巨大的优势（整体领先约 34%）击败了排名第二的团队。
总结
该论文声称，你不需要彻底重新发明轮子来创造一个更好的优化器。通过保留一个强大的、经过验证的引擎（RDEx），并在搜索的最后阶段添加一个智能且保守的“打磨”步骤，你可以获得显著更好的结果。
这就像拥有一位知道如何赢得战争的伟大将军，但在战斗结束前，再增加一支特别的狙击小组来清理最后的敌人。其结果是一场既快速又果断的胜利。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。