[论文] 进化算法集成：结合 Crisscross Search 与 Sparrow Search 处理劣质个体

Source: arXiv - 2601.10263v1

请提供您希望翻译的具体文本内容，我将为您翻译成简体中文。

概述

本文提出了 EA4eigCS，一种新的集成进化优化器，它将经典策略（差分进化和 CMA‑ES）与最近提出的两种 “crisscross” 与 “sparrow” 搜索机制相结合。通过让这些新算法作用于种群中较弱的成员，作者在实数参数单目标问题上实现了更为稳健的长期搜索性能——这在许多 AI 驱动的优化流水线中是核心任务。

关键贡献

• 混合集成设计：在现有 EA4eig 框架（DE 变体 + CMA‑ES）的基础上，加入 Crisscross Search (CS) 和 Sparrow Search (SS) 作为针对劣质个体的二级操作算子。
• 动态种群重塑：二级算法有意多样化低性能个体的分布，帮助整体种群摆脱停滞。
• 全面基准测试：在一套标准实数参数基准上的实证评估表明，EA4eigCS 优于原始 EA4eig，并且 在与最先进的长期优化器竞争中表现出色。
• 开源发布：所有源代码和补充材料均公开可得，便于可重复性和进一步研究。

方法论

1. 基础集成 (EA4eig) – 将三种差分进化 (DE) 变体（例如 DE/rand/1、DE/best/2 等）与协方差矩阵适应进化策略 (CMA‑ES) 结合。每个算法并行运行，共享同一族群。
2. 次级算子 –
   • 交叉搜索 (CS)：执行正交的“交叉”移动，在个体之间交换维度，促进搜索空间的探索。
   • 麻雀搜索 (SS)：模仿麻雀觅食行为，利用领袖‑追随者动态在表现不佳的个体周围生成候选解。
3. 劣质个体处理 – 在每一代中，排名在下四分位的个体会交给 CS 和 SS。它们的后代取代原始个体，在不扰动主 DE/CMA‑ES 流中精英解的前提下注入新颖多样性。
4. 选择与替换 – 简单的精英策略在所有子族群中保留最优个体，确保改进得以保留，同时持续刷新劣质池。

整体工作流轻量（无需大量参数调优），可通过最小的代码改动嵌入现有进化管线。

结果与发现

关键要点

• crisscross + sparrow 二级层有效打破早熟收敛，尤其在具有众多局部最优的多模态景观上。
• 该集成在不同维度（30‑D 到 100‑D）下保持 稳定，且无需针对问题的参数微调。

实际意义

• 软件工程师 在构建自动化超参数调优或神经架构搜索时，可以直接采用 EA4eigCS 作为即插即用的优化器，其对停滞的鲁棒性优于普通的 DE 或 CMA‑ES。
• 工业研发（例如航空航天设计、线路布局）常常面对高维、噪声较大的目标函数；该集合方法能够持续探索“劣”区域，从而发现单一策略进化算法可能遗漏的隐藏最优解。
• 工具集成 – 由于算法在共享种群上运行，仅额外增加一个轻量级的二次处理步骤，可通过几行代码将其集成到现有的进化库（DEAP、PyGMO、jMetal）中。
• 可扩展性 – 二次算子天然并行，开发者可以将劣质个体的处理任务卸载到 GPU 或分布式工作节点，而不会影响主进化循环。

限制与未来工作

• Computational Overhead：虽然二次搜索成本低廉，但处理大规模的劣势池会导致运行时间比基础 EA4eig 增加约 10–15%，在极其昂贵的适应度评估情况下可能会产生影响。
• Parameter Sensitivity：发送到 CS/SS 的个体比例以及二次更新的频率是经验设定的；自适应方案可能进一步提升鲁棒性。
• Benchmark Scope：实验聚焦于标准合成基准；在更为多样的真实世界问题（例如多目标、约束）上的测试留待未来研究。
• Theoretical Guarantees：论文提供了实证证据，但缺乏对混合集成的形式收敛性分析——这是理论工作的一条有趣方向。

EA4eigCS 展示了对进化种群中最弱成员提供适度的“第二次机会”如何显著提升长期搜索性能，为开发者应对艰难优化挑战提供了实用工具。

作者

• Mingxuan Du
• Tingzhang Luo
• Ziyang Wang
• Chengjun Li

论文信息

• arXiv ID: 2601.10263v1
• 类别: cs.NE
• 出版日期: 2026年1月15日
• PDF: 下载 PDF