一种兼顾可行性与收敛速度的智能优化算法，竞赛表现领先。
RDEx-CSOP: Feasibility-Aware Reconstructed Differential Evolution with Adaptive epsilon-Constraint Ranking
- 结合自适应参数与ε约束机制，动态调整搜索策略。
- 在28个测试函数上总分最高，平均排名首位。
- 适合资源受限场景下的复杂优化问题求解。
约束单目标数值优化需在有限评估预算下同时保证可行性与目标值收敛。本文介绍用于IEEE CEC 2025数值优化竞赛（C06特别会话）的RDEx-CSOP算法。该方法融合成功历史参数自适应、偏向局部开发的混合搜索策略，以及随时间变化阈值的ε约束处理机制。在官方CEC 2025 CSOP基准测试中，采用U-score框架（速度、精度、约束类别）进行评估。结果表明，RDEx-CSOP在全部已发布对比算法中取得最高总分和最佳平均排名，主要得益于28个基准函数上的优异速度表现及竞争力强的约束处理能力。
原文摘要 · Abstract (English)
Constrained single-objective numerical optimisation requires both feasibility maintenance and strong objective-value convergence under limited evaluation budgets. This report documents RDEx-CSOP, a constrained differential evolution variant used in the IEEE CEC 2025 numerical optimisation competition (C06 special session). RDEx-CSOP combines success-history parameter adaptation with an exploitation-biased hybrid search and an ε-constraint handling mechanism with a time-varying threshold. We evaluate RDEx-CSOP on the official CEC 2025 CSOP benchmark using the U-score framework (Speed, Accuracy, and Constraint categories). The results show that RDEx-CSOP achieves the highest total score and the best average rank among all released comparison algorithms, mainly through strong speed and competitive constraint-handling performance across the 28 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。