การเพิ่มประสิทธิภาพอัลกอริทึมผลต่างวิวัฒนาการด้วยวิธี Restart mechanism
คำสำคัญ:
อัลกอริทึมผลต่างวิวัฒนาการด้วยกลไกการเริ่มใหม่, เมต้าฮิวริสติกส์, การจัดการคลังสินค้าบทคัดย่อ
งานวิจัยชิ้นนี้ได้นำเสนอการเพิ่มประสิทธิภาพอัลกอริทึมผลต่างวิวัฒนาการด้วยวิธี Restart mechanism (Enhanced Differential Evolution with Restart Mechanism for Numerical Optimization: RMDE) ที่ปรับปรุงประสิทธิภาพในการค้นหาคำตอบของอัลกอริทึม An enhanced Differential Evolution algorithm with novel control parameter adaption schemes for numerical optimization (PaDE) โดยมีการนำกลไก Restart mechanism จาก Adaptive multiple-elites-guided composite differential evolution algorithm with a shift mechanism (AMECoDEs) ที่ประกอบไปด้วยกลไกช่วยเพิ่มความหลากหลายของประชากรและกลไกช่วยให้ประชากรลู่เข้า นอกจากนี้ RMDE ได้มีการนำเสนอการปรับปรุงการปรับค่าพารามิเตอร์ได้แก่ ค่าเฉลี่ยอัตราการครอสโอเวอร์ และ ค่าเฉลี่ยแฟกเตอร์ขยายผลต่าง ในการทดสอบ RMDE ด้วยชุดปัญหาทดสอบ CEC2017 กับอัลกอริทึมผลต่างวิวัฒนาการที่เป็น state-of-the-art ได้แก่ jSO MPADE JADE SHADE และ PaDE ที่ขนาดของปัญหา 10 และ 30 ตัวแปรตัดสินใจ พบว่า ในปัญหาขนาด 10 ตัวแปรตัดสินใจ jSO SHADE และ MPADE มีประสิทธิภาพในการค้นหาคำตอบดีกว่า RMDE ในขณะที่ JADE และ PaDE มีประสิทธิภาพในการค้นหาคำตอบใกล้เคียงกันกับ RMDE แต่เมื่อขนาดของปัญหาเพิ่มขึ้นเป็น 30 ตัวแปรตัดสินใจพบว่า RMDE มีประสิทธิภาพในการค้นหาคำตอบได้ดีกว่าอัลกอริทึม JADE MPADE และ PaDE ส่วน jSO และ SHADE พบว่ามีประสิทธิภาพในการค้นหาคำตอบใกล้เคียงกับ RMDE นอกจากนี้เมื่อพิจารณาผลการค้นหาคำตอบในฟังก์ชันประเภท Hybrid พบว่าอัลกอริทึม RMDE มีประสิทธิภาพในการค้นหาคำตอบได้ดีกว่าอัลกอริทึมตัวอื่นทุกตัวที่นำมาเปรียบเทียบ สำหรับการประยุกต์ใช้งาน RMDE และ PaDE ในปัญหาการจัดการคลังสินค้าพบว่า RMDE มีประสิทธิภาพในการค้นหาคำตอบได้ดีกว่า PaDE ในปัญหาขนาดกลางและปัญหาขนาดใหญ่
เอกสารอ้างอิง
R. Storn and K. Price, “Differential evolution – A simple and efficient Heuristic for global optimization over continuous spaces,” Journal of Global Optimization., vol. 11, pp. 341-359, 1997.
J. Wetweerapong and P. Puphasuk, “An improved differential evolution algorithm with a restart technique to solve systems of nonlinear equations,” An International Journal of Optimization and Control: Theories & Applications., vol. 10, no. 1, pp. 118-136, 2020.
X. Lin and Z. Meng, “An adaptative differential evolution with enhanced diversity and restart mechanism,” Expert Systems with Applications., vol. 249, 2024.
L. Cui et al., “Adaptive multiple-elites-guided composite differential evolution algorithm with a shift mechanism,” Information Sciences., vol. 422, pp. 122-143, 2018.
G. Liu, Y. Li, X. Nie and H. Zheng, “A novel clustering-based differential evolution with 2 multi-parent crossovers for global optimization,” Applied Soft Computing., vol. 12, no. 2, pp. 663-681, 2012.
J. Brest, S. Greiner, B. Boskovic, M. Mernik and V. Zumer, “Self-Adapting control parameters in differential evolution: a comparative study on numerical benchmark problems,” IEEE Transactions on Evolutionary Computation., vol. 10, no. 6, pp. 646-657, 2006.
J. Zhang and A. C. Sanderson, “JADE: adaptive differential evolution with optional external archive,” IEEE Transactions on Evolutionary Computation., vol. 13, no. 5, pp. 945-958, 2009.
R. Tanabe and A. Fukunaga, “Success-History Based Parameter Adaptation for Differential Evolution,” in 2013 IEEE Congress on Evolutionary Computation, Cancun, Mexico, 2013, pp. 71-78.
R. Tanabe and A. Fukunaga, “Improving the Search Performance of SHADE Using Linear Population Size Reduction,” in 2014 IEEE Congress on Evolutionary Computation, Beijing, China, 2014, pp. 1658-1665.
Z. Meng, J.-S. Pan and L. Kong, “Parameters with adaptive learning mechanism (PALM) for the enhancement of differential evolution,” Knowledge-Based Systems., vol. 141, pp. 92-112, 2018.
Z. Meng, J.-S. Pan and K.-K. Tseng, “PaDE: an enhanced differential evolution algorithm with novel control parameter adaptation schemes for numerical optimization,” Knowledge-Based Systems., vol. 168, pp. 80-99, 2019.
J. Brest, M. S. Maučec and B. Bošković, “Single Objective Real-Parameter Optimization: Algorithm jSO,” in 2017 IEEE Congress on Evolutionary Computation (CEC), Donostia, Spain, 2017, pp. 1311-1318.
N. H. Awad, M. Z. Ali , P. N. Suganthan , J. J. Liang and a. B. Y. Qu, “Problem Definitions and Evaluation Criteria for the CEC 2017 Special Session and Competition on Single Objective Real-Parameter Numerical Optimization,” Singapore: Nanyang Technological University, 2016.
A. Fallahi, E. A. Bani and S. T. A. Niaki, “A constrained multi-item EOQ inventory model for reusable items: Reinforcement learning-based differential evolution and particle swarm optimization,” Expert Systems with Applications., vol. 207, no. c, 2022.
J. E. Gómez-Lagos, M. C. González-Araya, W. E. Soto-Silva and M. M. Rivera-Moraga, “Optimizing tactical harvest planning for multiple fruit orchards using a metaheuristic modeling approach,” European Journal of Operational Research., vol. 290, no. 1, pp. 297-312, 2021.
C. Wang et al., “Optimizing spatial food crops planting structure under water-energy-food-carbon emissions nexus constraints,” Agricultural Water Management., vol. 317, 2025.
S. Wang, L. Wang and Y. Pi, “A hybrid differential evolution algorithm for a stochastic location-inventory-delivery problem with joint replenishment,” Data Science and Management., vol. 5, no. 3, pp. 124-136, 2022.
L. Peng and S. Wang, “A Q-learning based arithmetic optimization algorithm for a multi-warehouse joint replenishment and delivery problem,” Applied Soft Computing., vol. 178, p. 113307, 2025.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
