:::: MENU ::::
Differential Evolution

Differential Evolution with Auto-enhanced Population Diversity: the Experiments on the CEC’2016 Competition

“Differential Evolution with Auto-enhanced Population Diversity: the Experiments on the CEC’2016 Competition” başlıklı çalışma Yang Ming, Jing Guan ve Changhe Li tarafından yapılmış olup 2016 yılındaki IEEE Congress on Evolutionary Computation (CEC) kongresinde sunulmuştur.

Differential Evolution with Auto-Enhanced Population Diversity sayfasında detaylıca anlatılan konulara tekrar yer verilmeyecektir.

Yeni üretilen bireyin arama uzayından taşması durumunda aşağıdaki şekilde sınırlandırılması önerilmiştir:

tasma-kontrolu

Kendime not: Sınırları aştığı zaman farklı sınırlama teknikleri ile müdahalenin etkileri araştırılabilir.

[Problem definitions and evaluation criteria for the cec 2014 special session and competition on single objective real-parameter numerical optimization] çalışmasında 30 test fonksiyonunun ayrıntılı anlatımı bulunmaktadır.

MaxFEs=10000×D alınarak 51 bağımsız çalıştırma yapılmıştır.
JADE’nin c ve p parametreleri 0.1 ve 0.2 alınmıştır.
NP=20 alınmıştır.

100 boyutlu f8’de JADE takılırken, AEPD-JADE optimumu bulmuştur.

f8

Çalışmayı indirmek için:

differential_evolution_with_auto_enhanced_population_diversity_the_experiments_on_the_cec2016_competition


Large Scale Global Optimization using Self-adaptive Differential Evolution Algorithm

“Large Scale Global Optimization using Self-adaptive Differential Evolution Algorithm” başlıklı çalışma Brest, J., Zamuda, A., Fister, I., Maučec, M. S. tarafından yapılmış 2010 yılı Temmuz ayındaki IEEE Congress on Evolutionary Computation (pp. 1-8) kongresinde sunulmuştur.

Çalışmada gerçeklenen kendinden uyarlamalı diferansiyel evrim algoritmasına jDElsgo ismi verilmiştir.

Çalışmada önerilen algoritma MLCC {Z. Yang, K. Tang, and X. Yao. Multilevel Cooperative Coevolution for Large Scale Optimization. In Proc. IEEE World Congress on Computational Intelligence (WCCI 2008), pages 1663–1670. IEEE Press, 2008.} ve DECC-G {Z. Yang, K. Tang, and X. Yao. Large scale evolutionary optimization using cooperative coevolution. Information Sciences, 178(15):2985–2999, 2008.} ile kıyaslanmıştır.

Algoritmanın kontrol parametrelerinden F ve CR kendi kendini değiştirebilen bir strateji ile güncellenmektedir. Mutasyon işlemi yapılmadan önce aşağıdaki şekilde parametreler güncellenir:

f-cr

Popülasyon sayısı azaltılarak daha iyi bireylere yaşam hakkı tanınmaktadır. Popülasyon azaltma mekanizması sağlamlık(robustness) açısından iyi bir performansa sahiptir {Ferrante Neri and Ville Tirronen. Recent advances in differential evolution: a survey and experimental analysis. Artificial Intelligence Review, 33(1–2):61–106, 2010.}

np

F parametresinin işaretini değiştirerek çözüm değeri değiştirilir.

f

Çalışmada kullanılan benchmark fonksiyonları ve özellikleri:

cec-benchmark-functions

Çalışmada Max FEs = 3, 000, 000, D = 1000, ve pmax = 4 alındığı durumda;

npp-genp

Popülasyon boyutu 100 iken 750000/100=7500 iterasyon,
Popülasyon boyutu 50 iken 750000/50=15000 iterasyon,
Popülasyon boyutu 25 iken 750000/25=30000 iterasyon,
Popülasyon boyutu 12 iken 750000/25=62500 iterasyon yapılır.

Çalışmada F = 0.5, CR = 0.9, NP = 100, pmax = 4 parametreleri kullanılmıştır.

Algoritmik çerçeve:

jdelsgo-algoritmik-cerceve

120000,600000,3000000 FEs şeklindeki çalıştırmalar yapılmıştır.
jdelsgo

DECC-G, DECC-G* ve MLCC algoritmalarının 3000000 FEs sonuçları ile kıyaslanmıştır.
jdelsgo-mlcc-decc-g

F2, F5, F8, F10, F13, F15, F18 ve F20 Fonksiyonları için Yakınsama Grafikleri:

yakinsama

Çalışmayı indirmek için:
large_scale_global_optimization_using_self_adaptive_differential


Diferansiyel Gelişim Algoritması (Differential Evolution Algorithm)

24 Mart 2017 günü eklenmiştir: Kendi cümlelerimle DE algoritmasını anlattım, okumak için: http://ahmetcevahircinar.com.tr/2017/03/24/farksal-gelisim-differential-evolution-algoritmasi-nasil-calisir/

Popülasyon tabanlı sezgisel bir algoritma olan DGA özellikle tamamen düzenlenmiş uzayda tanımlı ve gerçek degerli tasarım parametrelerini içeren fonksiyonları optimize etmek amacıyla kullanılan bir algoritmadır.

DGA, Price ve Storn tarafından 1995 yılında geliştirilmiş, özellikle sürekli verilerin söz konusu olduğu problemlerde etkin sonuçlar verebilen, işleyiş ve operatörleri itibariyle genetik algoritmaya dayanan popülasyon temelli sezgisel optimizasyon tekniğidir.

GA’daki çaprazlama, mutasyon ve seçim operatörleri DGA’ da da kullanılmaktadır. Farklı olarak her bir operatör tüm popülasyona sırayla uygulanmamaktadır. Kromozomlar tek tek ele alınmakta, rastgele seçilen diğer üç kromozomda kullanılarak yeni bir birey elde edilmektedir. Bu işlemler sırasında mutasyon ve çaprazlama operatörleri
kullanılmış olmaktadır. Mevcut kromozomla elde edilen yeni kromozomun uygunlukları karşılaştırılarak uygunluğu daha iyi olan, yeni birey olarak bir sonraki popülasyona aktarılmaktadır. Böylelikle seçim operatörü de kullanılmış olmaktadır. Üretilen çözümlerin kalitesi, amaç fonksiyonuna ürettikleri değerle (uygunluk değeri) ölçülmektedir.

Parametreler:
parametreler

DGA’nın Adımları. Kullanılan Fonksiyon: F(X)=X1+X2+X3+X4+X5

de1

de2

Kaynak: Keskintürk, Timur. “Diferansiyel gelişim algoritması.” İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi 5.9 (2006): 85-99.

İndirmek için:

diferansiyel-gelisim-algoritmasi


Parameter Adaptation for Differential Evolution in solving Very Large Scale Global Optimization

“Parameter Adaptation for Differential Evolution in solving Very Large Scale Global Optimization” başlıklı çalışma Renee Seah tarafından 2,5 dakikada kısa ve öz bir şekilde İngilizce altyazılı olarak sunulmuştur. Sempozyumlarda ve kongrelerde hızlıca konuyu anlatmaya yönelik güzel bir örnek olabilir.