Supervised learning-guided individual-level operator selection in differential evolution for constrained optimization

Saber Elsayed

doi:10.1016/j.knosys.2026.116813

Supervised learning-guided individual-level operator selection in differential evolution for constrained optimization

2026-08-29

0

OA

AI

DOI：10.1016/j.knosys.2026.116813

原文链接

原文求助

摘要

En 中文

差分进化中的自适应算子选择已通过强化学习和启发式信用分配方法得到广泛研究。然而，先前工作尚未将监督机器学习应用于预测和分配个体层面的变异算子以解决约束优化问题。我们提出SL-MODE，一种面向约束优化的监督学习引导的多算子差分进化框架。与需要奖励工程和政策网络的强化学习选择器不同，SL-MODE训练一个轻量级监督分类器，直接从种群反馈进行在线学习，无需离线预训练。在每一代中，分类器根据当前搜索状态独立预测每个个体的最优变异算子。训练由一个连续改进指数引导，该指数联合编码目标进展和约束违反减少，为模型提供明确的可行性感知学习信号。该框架进一步通过两个辅助算法组件增强：一种混合初始化技术，旨在平衡全局多样性并在有前景区域进行自适应强化，以及一种自适应等式约束松弛方法。在CEC2006、CEC2010约束基准测试套件和33个来自CEC2020的实际问题上的结果表明，SL-MODE始终实现高可行性率、高质量解，并在统计上显著优于多个竞争算法。在CEC2006问题上进行的敏感性分析确认了算法参数广泛范围内的鲁棒性。

Keyword:

Evolutionary algorithms

Supervised learning

Constrained optimization

Population initialization

Supervised learning-guided individual-level operator selection in differential evolution for constrained optimization

摘要

期刊

机构

引用论文