10、元启发式算法的经验相似度度量与并行差分进化在最小 - 最大优化问题中的应用

元启发式算法的经验相似度度量与并行差分进化在最小 - 最大优化问题中的应用

在现实世界的优化问题中，数据往往存在不确定性。为了找到能应对这种不确定性的鲁棒解决方案，最小 - 最大优化问题的研究显得尤为重要。本文将探讨元启发式算法的经验相似度度量方法，以及并行差分进化在解决最小 - 最大优化问题中的应用。

1. 元启发式算法的经验相似度度量

1.1 研究目的与方法

研究旨在提出一种实证比较元启发式算法的方法。具体步骤如下：
1. 通过参数调整生成元启发式算法的实例。
2. 收集所有实例在各种基准问题上的性能概况。
3. 使用轮廓系数和性能相似度分数，基于性能概况来衡量相似度。

1.2 观察结果

• 相同算法实例 ：相同算法的实例之间相似度分数相对较高。
• 不同算法实例 ：不同算法的大多数实例性能概况不同。对不同算法在同一问题上进行参数调整，并不会使它们的性能概况相似。
• 聚类情况 ：同一算法的实例倾向于聚集在一起，且相似度分数较高；不同算法的实例相似度分数较低。

1.3 研究局限性与未来方向

本研究的一个局限性是参数调整的预算有限，导致生成的实例在大多数测试函数上表现不佳。尽管存在这一局限，未来的研究仍可以利用该方法分析相似算法的搜索行为，也可以对基准函数进行分析。此外，该研究为创建集成、算法组合和自动设计的算子集迈出了一步。

2. 并行差分进化解决最小 - 最