Evolução diferencial com mutação ordenada em problemas de otimização monobjetivo com restrições de caixa
DOI:
https://doi.org/10.5540/03.2021.008.01.0411Keywords:
Evolução diferencial, mutação ordenada, otimização monobjetivo.Abstract
A Evolução Diferencial (ED) está entre os algoritmos evolucionistas mais eficientes para lidar com problemas de otimização. Sua proposição original utiliza o esquema clássico DE/Rand para selecionar aleatoriamente soluções candidatas da população para o processo de mutação, sem considerar qualquer ordenação entre elas. Recententemente foi proposto o esquema DE/Order para problemas multi-objetivo, uma estratégia de ordenação entre as soluções selecionadas para a mutação. O algoritmo com o esquema DE/Order apresentou melhores resultados em problemas de otimização multi-objetivo quando comparado ao DE/Rand. Esse trabalho avalia a estratégia de mutação DE/Order em problemas de otimização monobjetivo com restrições de caixa. A performance desta estratégia foi comparada com duas outras já consolidadas na literatura, DE/Rand e DE/Best, ao serem aplicadas a problemas monobjetivos benchmark da competição do IEEE Congress on Evolutionary Computation - CEC 2021. Os resultados mostraram que o esquema DE/Best apresenta o pior desempenho, sugerindo convergência prematura para ótimos locais. Além disso, este trabalho mostra através de testes não paramétricos que as estratégias DE/Order e DE/Rand não demonstraram diferenças estatísticas. Concluiu-se que o DE/Order se mostra competitivo neste conjunto de problemas, apresentando-se como uma estratégia que se beneficia dos conceitos das outras duas abordagens, randomização e elitismo, porém sem ser prejudicado pela estagnação em ótimos locais.
Downloads
References
Storn, R. e Price, K. Differential Evolution - A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization, ll(4):341-359, 1997. D01:10.1023/A:1008202821328.
Bidgoli, A. A., Mahdavi, S., Rahnamayan, S. e Ebrahimpour-Komleh, H. GDE4: The Generalized Differential Evolution with Ordered Mutation. In Evolutionary Multi-Criterion Optimization. EMO 2019 - Deb K. et al. (eds). Lecture Notes in Computer Science, Springer, Cham. volume 11411, pages 101-113, 2019. DOI: 10.1007/978-3-030-12598-1-9.
Kukkonen, S. e Lampinen, J. GDE3: the third evolution step of generalized differential evolution, Proceedings of the IEEE Congress on Evolutionary Computation. CEC 2005, Edinburgh, Scotland, volume 1, pages 443-450, 2005. DOI: 10.1109/CEC.2005.1554717.
Wagdy, A., Hadi, A. A., Mohamed, A. K., Agrawal, P., Kumar, A e Suganthan, P. N.. Problem Definitions and Evaluation Criteria for the CEC 2021 Special Session and Competition on Single Objective Bound Constrained Numerical Optimization, Technical Report, Nanyang Technological University, Singapore.
Kruskal, W. H., & Wallis, W. A. Use of ranks in one-criterion variance analysis. Journal of the American statistical Association, 47(260), 583-621, 1952.
Pratt, J. W. Remarks on zeros and ties in the Wilcoxon signed rank procedures. Journal of the American Statistical Association, 54(287), 655-667, 1959.
