Self equation based differential evolution for big optimization

doi:10.1007/s10586-025-05419-5

2025-09-15

Hatem Dumlu *

Gürcan Yavuz

DOI：10.1007/s10586-025-05419-5

原文链接

查看原文

摘要

En 中文

技术的快速发展以及全球人口的指数级增长，导致对数据驱动解决方案的需求日益增长，催生了大数据。从这些海量数据集中提取有意义的洞察，显著提升了医疗保健、金融和电子商务等领域的决策制定能力。特别是，脑电图（EEG）信号分析对于诊断复杂神经疾病（包括精神分裂症、癫痫和心理疾病）至关重要。然而，EEG信号处理因其高维性和大规模特性而面临重大挑战，使其成为一个大尺度优化（BigOpt）问题。进化算法（EAs）已被广泛用于解决BigOpt挑战，其中差分进化（DE）是最常用的方法之一。尽管其有效性得到认可，但DE在处理高维和计算密集型BigOpt任务时，由于其探索和开发能力的局限性而表现不佳。为克服这些挑战，本研究提出了一种面向大尺度优化的基于自方程的差分进化算法（SSE-DEP），这是一种增强的DE变体，集成了三项关键改进：（1）自适应变异算子：利用动态变异方程池增强DE的探索能力；（2）竞争性局部搜索：动态整合CMA-ES和Powell局部搜索以改善开发能力；（3）oldArchive策略：平衡探索与开发，防止过早收敛并加速优化。所提出的SSE-DEP算法通过IEEE进化计算大会（CEC）2014和2017年的基准测试套件（问题维度为30、50和100）以及CEC 2019基准测试集，对其在多样化优化挑战中的性能进行了严格评估。与各种自适应DE变体、最先进的元启发式算法以及EEG专用优化方法的比较分析表明，SSE-DEP在基准测试和实际EEG信号分解任务中均显著优于现有方法。

Keyword:

Differential evolution

EEG

Self adaptive

CEC benchmark suites