Differential Evolution — Küresel Stokastik Optimizasyon
Differential Evolution (DE) · Ayrıca şöyle bilinir: DE algorithm, Diferansiyel Evrim (DE), DE optimization
Differential Evolution (DE), Rainer Storn ve Kenneth Price tarafından 1997'de tanıtılan, sürekli parametre uzayları için tasarlanmış popülasyon tabanlı stokastik bir optimizasyon algoritmasıdır. Mevcut popülasyon üyeleri arasındaki vektör farklarını birleştirerek aday çözümler üretir, bu da onu arama uzayı dışbükey olmayan, çok modlu veya gradyan tabanlı yöntemlere uygun olmayan durumlar için Genetik Algoritmalar ve Parçacık Sürü Optimizasyonuna güçlü ve parametre açısından cimri bir alternatif haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+3 tane daha
Ne zaman kullanılır
Differential Evolution, amaç fonksiyonunun sürekli, muhtemelen türevlenemez veya çok modlu olduğu ve tüm parametreler için arama sınırlarının önceden bilindiği durumlarda uygundur. Gradyan bilgisi gerektirmez ve normal varsayım yapmaz, bu nedenle mühendislik tasarımı, hiperparametre ayarlama, simülasyon modellerinin kalibrasyonu ve herhangi bir kara kutu optimizasyon görevi için uygundur. Yaklaşık 10 kat parametre sayısı kadar bir popülasyon boyutu yaygın bir başlangıç noktasıdır. DE, yalnızca ayrık veya kombinatoryal problemler için uygulanmamalıdır; ayrıca güvenilir bir şekilde yakınsamak için en az 1 000 yineleme gerektirir — eğer fonksiyon değerlendirme bütçesi çok kısıtlıysa, Bayes optimizasyonu daha örnek verimli bir alternatiftir.
Güçlü yönler & sınırlılıklar
- Gradyan bilgisi gerektirmez — türevlenemez ve gürültülü olanlar dahil herhangi bir kara kutu amaç fonksiyonu ile çalışır.
- Arama gücüne kıyasla çok az kontrol parametresi (F, CR, NP) vardır, bu da onu yapılandırması nispeten kolaylaştırır.
- Gradyan tabanlı optimize edicilerin yerel optimumlara yakınsadığı çok modlu manzaraları doğal olarak işler.
- Popülasyon değerlendirmeleri bağımsızdır ve çok çekirdekli sistemlerde duvar saati süresini azaltarak doğrudan paralelleştirilebilir.
- Basit bir güncelleme kuralı kullanarak birçok kıyaslamada Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu ile rekabetçidir.
- Yetersiz iterasyon sayısı varsa yakınsama yavaş olabilir; 1 000'den az nesil genellikle suboptimal bir sonuç verir; en iyi çözümün iyileşmesi için yeterli zaman tanınmalıdır.
- Performans, F ve CR seçimine duyarlıdır — kötü ayarlanmış parametreler erken yakınsamaya veya aşırı yavaş ilerlemeye neden olabilir.
- Yalnızca ayrık veya kombinatoryal arama uzayları için tasarlanmamıştır; ayrık uzantılar mevcuttur ancak daha az standarttır.
- Her yineleme, her değerlendirme hesaplama açısından pahalı olduğunda maliyetli olabilen NP kez amaç fonksiyonunun değerlendirilmesini gerektirir.
SSS
Ölçek faktörü F ve geçiş oranı CR'yi nasıl seçerim?
En yaygın kabul gören varsayılanlar DE/best/1/bin stratejisi için F = 0.8 ve CR = 0.9'dur. Pratikte, F adım boyutunu kontrol eder — yaklaşık 0.4–1.0 değerleri tipiktir — ve CR mutantın hedefi ne kadar değiştirdiğini kontrol eder. Popülasyon çok hızlı yakınsarsa, F'yi artırın veya CR'yi düşürün. Uyarlanabilir DE varyantları (jDE, JADE), bu parametreleri çalışma sırasında otomatik olarak ayarlar, bu da manuel ayarlama pratik olmadığında makul bir seçimdir.
Kaç nesil gereklidir?
Genel bir kural olarak, en az 1 000 nesil önerilir. Yüksek boyutlu problemler (çok sayıda parametre) veya karmaşık manzaralar için daha fazla iterasyon gerekebilir. En iyi çözümün amaç değerini nesiller boyunca izleyin: yüzlerce iterasyon boyunca değişmemişse, DE muhtemelen yakınsamıştır — veya durgunlaşmıştır, bu durumda taze bir rastgele tohumla yeniden çalıştırmak tavsiye edilir.
DE, Genetik Algoritmalar ve Parçacık Sürü Optimizasyonu ile nasıl karşılaştırılır?
Her üçü de sürekli optimizasyon için popülasyon tabanlı meta-sezgisel yöntemlerdir. DE tipik olarak GA'lardan daha az kontrol parametresi kullanır ve PSO'ya kıyasla daha basit, deterministik bir güncelleme kuralına sahiptir. Birçok standart kıyaslamada DE, her ikisiyle de rekabetçidir veya onlardan daha iyi performans gösterir, ancak performans probleme bağlıdır. Seçim genellikle evrensel bir sıralama yerine aşinalık ve mevcut uygulamalara dayanır.
DE, tamsayı veya kategorik parametreleri işleyebilir mi?
DE sürekli uzaylar için tasarlanmıştır. Tamsayı parametreleri, her güncellemeden sonra sürekli çözümü en yakın tamsayıya yuvarlayarak karşılanabilir, ancak bu bir yaklaşımdır. Planlama veya yönlendirme gibi tamamen kategorik veya kombinatoryal problemler — ayrık uzaylar için tasarlanmış Karınca Kolonisi Optimizasyonu veya Tabu Arama gibi yöntemlerle daha iyi hizmet verilir.
Kaynaklar
- Storn, R. & Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4), 341–359. DOI: 10.1023/A:1008202821328 ↗
- Das, S., Mullick, S. S., & Suganthan, P. N. (2016). Recent advances in differential evolution – An updated survey. Swarm and Evolutionary Computation, 27, 1–30. DOI: 10.1016/j.swevo.2016.01.004 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Differential Evolution (DE). ScholarGate. https://scholargate.app/tr/optimization/differential-evolution
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Derin Pekiştirmeli ÖğrenmeDerin öğrenme↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Sinirsel Mimari AramaDerin öğrenme↔ karşılaştır
- Temel Bileşen AnaliziMakine öğrenmesi↔ karşılaştır