动态进化算法：应对时变优化挑战的研究综述

动态进化计算综述是一篇由王洪峰和汪定伟撰写的论文，针对现实世界中动态优化问题的研究进行了深入探讨。传统上，进化算法如遗传算法主要关注静态优化问题，即寻找最优解，但面对时变的优化问题，如生产调度中的工件到达、机器故障等，算法需要具备实时适应性，能够跟随极值点在搜索空间中的变化。 本文首先介绍了动态环境优化问题的背景，强调许多实际问题并非追求单一最优解，而是要求算法能跟踪解决方案的动态变化。作者指出，动态环境下的进化算法研究始于1966年，但在20世纪80年代中期才引起广泛兴趣，近年来在国际会议上如GECCO、WCCI和CEC中，动态进化优化方法得到了越来越多的关注，并在CEC2004年专门设立了相关专题。 为了克服传统进化算法在动态环境中的挑战，作者列举了几种主要策略应对方法： 1. 适应性策略：在进化过程中，当检测到环境变化时，通过增加种群多样性来引导种群朝向新的极值点迁移。 2. 保持发散：保持种群的发散状态，因为这有助于更好地适应不断变化的环境，避免过早收敛导致的适应性丧失。 3. 记忆策略：引入记忆机制，让算法能够记住过去的信息，特别是对于周期性变化的环境，这尤为重要。 4. 多群策略：通过分群体的方式，一部分负责追踪当前极值点，另一部分继续探索未知区域，以发现新的最优解。 5. 其他创新方法：还有其他创新方法，如混合策略、自适应学习率调整等，旨在使进化算法能够适应各种复杂动态环境。 这篇综述详细梳理了动态进化计算领域的进展，展示了如何通过策略改进来增强进化算法在不断变化环境中的性能，这对于实际问题求解具有重要的理论和实践价值。