Achieving better exploitation and exploration capabilities (EEC) have always been an important yet challenging issue in the design of evolutionary optimization algorithm (EOA). The difficulties lie in obtaining a good balance in EEC, which is determined cooperatively by operations and parameters in an EOA. When deficiencies in exploitation or exploration are observed, most existing works consider a piecemeal approach, either by designing new operations or by altering the parameters. Unfortunately, when different situations are encountered, these proposals may fail to be the winner. To address these problems, this paper proposes an explicit EEC control method named selective-candidate framework with similarity selection rule (SCSS). M (M ​> ​1) candidates are first generated from each current solution with independent operations and parameters to enrich the search. Then, a similarity selection rule is designed to determine the final candidate by considering the fitness ranking of the current solution and its Euclidian distance to each of these M candidates. Superior current solutions will prefer the closest candidates for efficient local exploitation while inferior ones will favor the farthest for exploration purpose. In this way, the rule could synthesize exploitation and exploration, making the evolution more effective. When applied to three classic, four state-of-the-art and four up-to-date EOAs from branches of differential evolution, evolution strategy and particle swarm optimization, significant enhancement in performance is achieved.

在进化优化算法（EOA）的设计中，实现更好的开发和探索能力（EEC）一直是一个重要而又具有挑战性的问题。困难在于在EEC中获得良好的平衡，这由EOA中的操作和参数共同确定。当发现开发或勘探方面的缺陷时，大多数现有作品都会通过设计新的操作或更改参数来考虑采用零星的方法。不幸的是，当遇到不同的情况时，这些建议可能不会成为赢家。为了解决这些问题，本文提出了一种明确的EEC控制方法，即具有相似选择规则（SCSS）的选择性候选框架。M（M> 1）首先从每个当前解决方案中生成具有独立操作和参数的候选对象，以丰富搜索范围。然后，设计一个相似度选择规则，通过考虑当前解决方案的适应性排名及其与这M个候选者中每个候选者的欧几里得距离，来确定最终候选者。当前的高级解决方案将优先选择最接近的候选者，以进行有效的本地开发，而次优的解决方案将优先选择最接近的候选者，以进行勘探。这样，该规则可以综合利用和探索，从而使演化更加有效。当应用于差分演化，演化策略和粒子群优化分支中的三个经典，四个最新技术和四个最新的EOA时，可以显着提高性能。设计了一个相似度选择规则，通过考虑当前解决方案的适应性排名及其与这M个候选者之间的欧几里得距离，来确定最终候选者。当前的优势解决方案将优先选择最接近的候选者，以进行有效的本地开采，而劣质的解决方案则优先选择最远的候选者进行勘探。这样，该规则可以综合利用和探索，从而使演化更加有效。当应用于差分演化，演化策略和粒子群优化分支中的三个经典，四个最新技术和四个最新的EOA时，可以显着提高性能。设计了一个相似度选择规则，通过考虑当前解决方案的适应性排名及其与这M个候选者之间的欧几里得距离，来确定最终候选者。当前的优势解决方案将优先选择最接近的候选者，以进行有效的本地开采，而劣质的解决方案则优先选择最远的候选者进行勘探。这样，该规则可以综合利用和探索，从而使演化更加有效。当应用于差分演化，演化策略和粒子群优化分支中的三个经典，四个最新技术和四个最新的EOA时，可以显着提高性能。当前的优势解决方案将优先选择最接近的候选者，以进行有效的本地开采，而劣质的解决方案则优先选择最远的候选者进行勘探。这样，该规则可以综合利用和探索，从而使演化更加有效。当应用于差分演化，演化策略和粒子群优化分支中的三个经典，四个最新技术和四个最新的EOA时，可以显着提高性能。当前的优势解决方案将优先选择最接近的候选者，以进行有效的本地开采，而劣质的解决方案则优先选择最远的候选者进行勘探。这样，该规则可以综合利用和探索，从而使演化更加有效。当应用于差分演化，演化策略和粒子群优化分支中的三个经典，四个最新技术和四个最新的EOA时，可以显着提高性能。