针对固定预算优化，提出一种侧重快速收敛的进化算法。
RDEx-SOP: Exploitation-Biased Reconstructed Differential Evolution for Fixed-Budget Bound-Constrained Single-Objective Optimization
- 结合历史成功率自适应参数与偏向探索的混合分支。
- 在29个测试函数上表现优异，速度与精度均达竞赛领先水平。
- 适合追求高效求解的工程优化场景，尤其适合预算受限任务。
边界约束单目标数值优化仍是评估进化算法鲁棒性与效率的关键基准。本文介绍RDEx-SOP，一种用于IEEE CEC 2025数值优化竞赛（C06专题）的、以利用为导向的成功历史差分进化变体。RDEx-SOP融合成功历史参数自适应机制、偏向利用的混合分支策略以及轻量级局部扰动，旨在严格评估预算下实现快速收敛与高质量最终解之间的平衡。我们在官方CEC 2025 SOP基准上使用U-score框架（速度与精度类别）对RDEx-SOP进行评估。实验结果表明，该算法在29个基准函数上展现出强劲的整体性能，并在最终结果上达到统计学上具有竞争力的表现。
原文摘要 · Abstract (English)
Bound-constrained single-objective numerical optimisation remains a key benchmark for assessing the robustness and efficiency of evolutionary algorithms. This report documents RDEx-SOP, an exploitation-biased success-history differential evolution variant used in the IEEE CEC 2025 numerical optimisation competition (C06 special session). RDEx-SOP combines success-history parameter adaptation, an exploitation-biased hybrid branch, and lightweight local perturbations to balance fast convergence and final solution quality under a strict evaluation budget. We evaluate RDEx-SOP on the official CEC 2025 SOP benchmark with the U-score framework (Speed and Accuracy categories). Experimental results show that RDEx-SOP achieves strong overall performance and statistically competitive final outcomes across the 29 benchmark functions.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。