.png){kind=icon}
返回
A survey on expensive optimization problems using differential evolution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112727.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
许多需要大量执行时间和计算资源来评估候选解的实际问题可以称为昂贵优化问题（EOPs）。解决EOPs的主要挑战在于评估候选解伴随着高昂的、有时甚至是禁止性的成本，从而为当前优化方法带来了显著的障碍。差分进化（DE）作为一种进化算法的分支，因其快速收敛速度和强大的搜索能力，已被广泛用于解决各种优化问题。然而，在解决函数评估次数受限的EOPs时，DE的性能可能会迅速下降。最近，已有相当多的努力致力于改进基于DE的算法以解决EOPs。然而，目前缺乏针对基于DE的算法改进以应对EOPs的系统综述。通过收集和分析当前的基于DE的算法，本综述对基于DE的算法改进进行了全面概述。本文将这些改进分为三类：框架改进、代理辅助近似以及并行和分布式实现。根据EOPs的类型，现有的基于DE的算法也被分类和分析。最后，我们提出了当前挑战和未来方向，即采用基于DE的算法解决EOPs。通过为新手和经验丰富的研究人员提供利用基于DE的算法解决EOPs的新视角，本综述旨在协助研究人员为EOPs设计更高效的算法。
Keyword:
Differential evolution
Expensive optimization problem
Hybrid techniques
Parallel and distributed techniques
Surrogate model
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容