A Robust Archived Differntial Evolution

Algorithm for Global Optimization Problems

Zhangjun Huang,Cheng-en Wang and Mingxu Ma

刚刚读完此文章的摘要，居然不知道怎么去理解，只是有点想，是不是可以应用到无约束的多目标算法中去呢，很有可能的。再读一篇吧。。。。。。多读了几篇，才有一点点的感觉。我想意思大概是：提出一个鲁棒的归档差分进化算法，其中包含两个处理算子，一个是基于原始差分的适应值处理算子，另一个是基于归档差分的效率处理算子。一个基于动态惩罚函数和个体适应度计算的特殊约束处理用来有效处理各种约束。通过适应值处理算子可以适当解决各种不同的问题，包括约束、无约束和连续、离散和既有连续又有离散的情况。我在想这个方法真的有这么好用吗？认真读下去。而且，在进化过程中利用归档集保存之前的有效信息和局部信息，这样可以更好评估新的解。在算法还设计两个算子—迭代操作算子和弹性操作算子，前者可以使用搜索方向向着有效的方向，避免不必要和无效的搜索提高效率。后者提高局部搜索能力和搜索质量。这些操作算子应用到其他方面应该也会有很好的效果。

看完引言部分，作者的创新点应该体现在，将差分进化得到重要的信息归档到归档集中。其实我现在做的工作似乎跟这个有点联系了，感觉就是反过来的，然后再正过去。我的想法是首先将初始种群通过一些系列操作，再来通过差分进化操作，最后再通过一此系列的操作选择重要信息。我主要体现的是在一些操作上，而是将差分作为辅助操作。文章的观点是将差分作为主要算法，归档集为辅助操作。在文章中，作者也提到两个新的方法，一个是有效性，使算法适应各种各样的情形，另一个是效率问题，减小时间复杂度，提高解的质量。

为了改变算法的有效性和效率问题，作者引入两个操作算子：有效处理操作和效率处理操作。提出自己设计出的适应度值方程，其中的动态处罚函数是常用的方法。这个有效处理操作的模型就有点创意，真会想，这也能够想出来，就是不知道为什么要这么做，这个模型的好处又在哪里呢？可扩展是否好？我在想引入几个有创意操作算子，对程序的效果应该会是不错的，但是呢，这种创新还是得有一定的基础，比如脑袋中有一系列的模型，经过改进应该会是不错的创新点。看完文章知道，这个模型主要在处理一些离散或包含离散和连续的问题，会有不错的效果。

这篇文章怎么越看越不懂，选择、归档和迭代操作。不是将最好的个体归档到归档集中，但是我感觉这个归档集就是只有一个元素，和精英保留机制不是一样吗？为什么要这样做了， 这样还增加了开销。原来我理解错误了，作者的想法将每一代的最好个体保留到归档集中。通过迭代操作选择出最好的个体。我想这个地方有点理解错误。

效率处理操作就是用差分的思想来做的，也相当一个局部搜索操作。这样做的好处又是什么呢？用差分进化算法确实是可以提高算法的效率，这在很多的文献中都提到过，那整个算法不都是在用差分来处理。