全局与局部代理模型交替的高效差分进化算法优化

本文主要探讨了一种创新的优化算法——全局与局部模型交替辅助的差分进化算法。针对实际工程中遇到的高维计算费时优化问题，该算法的核心在于构建全局代理模型和局部代理模型，以提高搜索效率和解决方案的质量。全局代理模型利用历史样本进行训练，用于提供全局视角的搜索指导，而局部代理模型则针对特定区域进行精细化搜索。这两种模型交替作用，既保持了搜索的全局视野以避免陷入局部最优，又利用局部代理模型的精确性加速找到可能的优良解。 算法的关键步骤包括：首先，通过历史数据训练全局和局部模型，形成对目标函数的初步理解和近似；其次，算法在每个迭代过程中，交替使用全局和局部模型来指导个体的选择和变异操作，这样既能有效利用模型预测降低真实目标函数的计算次数，又能通过真实目标函数的验证调整模型的准确性；最后，通过针对性地选择个体进行真实目标函数评估，优化算法能够更加高效地收敛到较优解。 实验结果在15个低维测试问题和14个高维问题上展示了算法的有效性。在有限的计算资源下，特别是在低维问题中，该算法相对于其他先进的优化算法，如最优重启策略代理辅助的社会学习粒子群优化算法和基于主动学习的代理模型辅助的粒子群优化算法，显示出更好的性能。在高维问题上，它优于高斯过程辅助的进化算法、代理模型辅助的分层粒子群优化算法以及专门设计用于解决高维费时问题的多种群优化算法，能够在较少的计算次数内找到目标函数的更优解。 该研究对于解决工程实践中的复杂优化问题具有重要的实际价值，展示了全局与局部模型结合的差分进化算法在提高搜索效率和优化效果方面的潜力。同时，这种方法也为其他领域的优化问题提供了新的思考角度和策略，推动了计算优化算法的发展。