2026年ESWA SCI1区TOP，适应性社会流动性重构差分进化算法ASMRDE，深度解析+性能实测

1.摘要

差分进化算法（DE）被广泛认可为一种高效全局优化算法，大多数现有DE算法采用贪婪选择算子，这种简单而有效的策略主要关注个体级进化，忽视了种群级进化。因此，算法未能充分利用种群的整体信息，限制了其优化性能。为了解决这一问题，本文提出了自适应社会流动性重构差异进化算法（ASMRDE），该算法引入了一种社会代际选择机制，实现了种群级进化与个体级进化的同步进行，通过社会代际的迭代过程克服了传统方法局限性。此外，ASMRDE构建了一个外部档案，用于保存社会重构过程中被淘汰历史种群，这些历史信息在后续的社会重构和个体进化中得到了有效利用。ASMRDE还引入了一种基于狭义多样性的参数适应策略，并提出了一种新的变异策略，利用历史种群信息指导个体进化。

2.适应性社会流动性重构差分进化算法ASMRDE

ASMRDE算法引入了基于代际关系的社会代际选择机制、"DE/current-to-unique_pbest/1 with external archive”变异策略和基于狭义多样性指数的自适应控制参数机制，旨在解决全局优化问题。通过在个体级进化基础上引入种群级进化，ASMRDE保持种群结构健康，提升了算法的整体效率和性能，实现了探索与开发之间的平衡。

社会结构重构机制

社会结构重构机制模拟现实世界中的代际关系和社会结构，将迭代分为自然代（g）和社会代（G）。自然代代表时间的增长，社会代则对应历史区间内形成的群体，这些群体共享相似的历史经历和价值观，并通过代际冲突（IC）、代际公平（IE）和代际流动性（IM）等概念，反映了现实中的社会动态。

ASMRDE引入了双层进化结构，包括个体级进化和种群级进化。在个体级进化中，采用贪婪选择过程来模拟个体的增长；在种群级进化中，通过社会重构机制实现种群更新。社会重构基于玻尔兹曼分布，从当前和历史种群中选择个体，并将未选中的个体加入历史档案，确保多样性和向上的代际流动性。

策略采用玻尔兹曼分布计算选择概率，根据个体适应度在社会重构过程中确定下一个社会个体。对适应度进行预处理规范化：
$$F_i=\frac{f_i-\mu }{\sigma }$$

基于规范化适应度值，可以使用玻尔兹曼分布计算选择概率：
$$pro{b}_i=\frac{\exp (-F_i/T)}{{\sum }_{m=1}^{NP}\exp (-F_m/T)}$$

参数适应策略

变异策略的贪婪度随着评估次数的增加而调整$p$值：
$$p=p_{max}-(p_{max}-p_{min})\times (nFEs/MFEs)$$

在算法中，狭义多样性定义为种群中非重复决策向量的比例，这有助于调节探索与开发之间的平衡。根据狭义多样性和评估次数，参数$CR$也会相应调整，以提高局部开发的效率。
$$div=\frac{N{P}_{unique}}{NP}$$

$$CR=\max \left(\min \left(N(Mea{n}_{CR},0.1),1\right),0\right)$$

$$Mea{n}_{CR}=\{\begin{array}{llc}0.92,& \mathrm{if}div>0.74\mathrm{and}nFEs/MFEs>0.5& \\ 0.90,& \mathrm{otherwise}& \end{array}$$

3.结果展示

4.参考文献

[1] Zhuo Y, Yang Q. Adaptive social mobility-restructuring differential evolution for global optimization[J]. Expert Systems with Applications, 2026, 297: 129528.

5.代码获取

xx

6.算法辅导·应用定制·读者交流

xx