CEC比赛数据集概述

评判数据集概述

CEC（Congress on Evolutionary Computation）每年都会发布新的测试基准函数（如CEC2017、CEC2020、CEC2022等），这些函数集的设计目标、复杂性和评判标准会根据研究趋势和技术挑战进行调整。以下是具体分析：

• 典型数据集：

  年份	测试函数集特点
  CEC2013	单目标优化（30个函数），包含旋转、偏移、混合函数等复杂操作。
  CEC2017	单目标优化（30个函数），引入复合函数（Hybrid Functions）和层级结构问题。
  CEC2019	多目标优化（10个函数），强调Pareto前沿的形状复杂性和约束条件。
  CEC2020	大规模优化（1000维问题），关注高维搜索空间的算法可扩展性。
  CEC2022	动态优化（环境参数随时间变化），测试算法的实时适应能力。
  CEC2023	动态约束多目标优化问题（DCMO） 10个函数

---

差异点（因年份和问题类型而异）

• 单目标 vs. 多目标：
  • 单目标：直接比较目标函数值的误差。
  • 多目标：评估Pareto前沿的覆盖性（如Hypervolume指标）和分布均匀性。
• 静态 vs. 动态：
  • 静态问题：关注全局最优解。
  • 动态问题：跟踪最优解随时间变化的能力（如追踪误差和响应速度）。
• 无约束 vs. 有约束：
  • 无约束问题：仅优化目标函数。
  • 有约束问题：需满足约束条件（如罚函数法或可行性优先原则）。

---

不同年份测试函数的具体差异

(1) CEC2017

• 特点：包含复合函数（Hybrid Functions）和层级结构问题。
• 挑战：局部最优陷阱多，函数间差异大。
• 评判重点：全局搜索能力和跳出局部最优的鲁棒性。

(2) CEC2020

• 特点：大规模优化（1000维问题）。
• 挑战：维度灾难，算法可扩展性。
• 评判重点：计算效率（时间/内存）和高维空间探索能力。

(3) CEC2022

• 特点：动态优化（环境参数周期性或随机变化）。
• 挑战：实时适应变化，平衡探索与开发。
• 评判重点：动态环境下的收敛速度和稳定性。

---

冠军算法概述

以下是2005年至今CEC（Congress on Evolutionary Computation）比赛的冠军算法及其基础算法的总结表格：

年份	冠军算法	基础算法	改进点或特点
2005	SaDE	差分进化（DE）	自适应调整DE的控制参数（缩放因子和交叉概率）。
2006	EPSDE	差分进化（DE）	集成多种参数设置和变异策略，增强全局搜索能力。
2007	CLPSO	粒子群优化（PSO）	引入综合学习策略，避免早熟收敛。
2008	CoDE	差分进化（DE）	结合多种变异策略和参数设置，提升适应性和鲁棒性。
2009	JADE	差分进化（DE）	引入参数自适应机制和可选外部存档，显著提升性能。
2010	SHADE	差分进化（DE）	基于JADE改进，利用成功历史信息自适应调整参数。
2011	LSHADE	差分进化（DE）	在SHADE基础上引入线性种群规模缩减策略。
2012	CMA-ES	进化策略（ES）	自适应调整协方差矩阵，优化搜索方向。
2013	IPOP-CMA-ES	CMA-ES	引入动态种群规模调整机制，增强全局搜索能力。
2014	MVMO	基于均值和方差的映射优化	通过均值和方差的映射机制优化搜索空间。
2015	LSHADE-SPACMA	LSHADE	结合半参数自适应和协方差矩阵自适应策略。
2016	LSHADE-EpSin	LSHADE	引入基于正弦函数的参数自适应机制和记忆策略。
2017	LSHADE-cnEpSin	LSHADE	在LSHADE-EpSin基础上增加约束处理机制。
2018	LSHADE-SPA	LSHADE	进一步优化半参数自适应策略。
2019	EBOwithCMAR	基于能量的优化算法	结合协方差矩阵自适应和重组策略。
2020	LSHADE-ND	LSHADE	引入邻域搜索策略，增强局部搜索能力。
2021	NL-SHADE-RSP	LSHADE	引入非线性参数调整和随机缩放因子。
2022	NL-SHADE-LBC	LSHADE	结合局部二进制交叉策略，提升全局和局部搜索能力。

---