Niching techniques have been widely incorporated into evolutionary algorithms (EAs) for solving multimodal optimization problems (MMOPs). However, most of the existing niching techniques are either sensitive to the niching parameters or require extra fitness evaluations (FEs) to maintain the niche detection accuracy. In this paper, we propose a new automatic niching technique based on the affinity propagation clustering (APC) and design a novel niching differential evolution (DE) algorithm, termed as automatic niching DE (ANDE), for solving MMOPs. In the proposed ANDE algorithm, APC acts as a parameter-free automatic niching method that does not need to predefine the number of clusters or the cluster size. Also, it can facilitate locating multiple peaks without extra FEs. Furthermore, the ANDE algorithm is enhanced by a contour prediction approach (CPA) and a two-level local search (TLLS) strategy. First, the CPA is a predictive search strategy. It exploits the individual distribution information in each niche to estimate the contour landscape, and then predicts the rough position of the potential peak to help accelerate the convergence speed. Second, the TLLS is a solution refine strategy to further increase the solution accuracy after the CPA roughly predicting the peaks. Compared with the other state-of-the-art DE and non-DE multimodal algorithms, even the winner of competition on multimodal optimization, the experimental results on 20 widely used benchmark functions illustrate the superiority of the proposed ANDE algorithm.

中文翻译：

---

用于多模态优化问题的轮廓预测方法的自动 Niching 差分进化

Niching 技术已被广泛纳入进化算法 (EA) 以解决多模态优化问题 (MMOP)。然而，大多数现有的生态位技术要么对生态位参数敏感，要么需要额外的适应度评估（FE）来保持生态位检测的准确性。在本文中，我们提出了一种基于亲和传播聚类 (APC) 的新自动缝隙技术，并设计了一种新的缝隙差异进化 (DE) 算法，称为自动缝隙 DE (ANDE)，用于解决 MMOP。在所提出的 ANDE 算法中，APC 充当了一种无需预先定义集群数量或集群大小的无参数自动细分方法。此外，它可以促进在没有额外 FE 的情况下定位多个峰。此外，ANDE 算法通过轮廓预测方法 (CPA) 和两级局部搜索 (TLLS) 策略得到增强。首先，CPA 是一种预测搜索策略。它利用每个生态位中的个体分布信息来估计轮廓景观，然后预测潜在峰值的粗略位置，以帮助加快收敛速度​​。其次，TLLS 是一种解决方案细化策略，可在 CPA 粗略预测峰值后进一步提高解决方案的准确性。与其他最先进的 DE 和非 DE 多模态算法相比，即使是多模态优化竞赛的获胜者，20 个广泛使用的基准函数的实验结果也说明了所提出的 ANDE 算法的优越性。它利用每个生态位中的个体分布信息来估计轮廓景观，然后预测潜在峰值的粗略位置，以帮助加快收敛速度​​。其次，TLLS 是一种解决方案细化策略，可在 CPA 粗略预测峰值后进一步提高解决方案的准确性。与其他最先进的 DE 和非 DE 多模态算法相比，即使是多模态优化竞赛的获胜者，在 20 个广泛使用的基准函数上的实验结果也说明了所提出的 ANDE 算法的优越性。它利用每个生态位中的个体分布信息来估计轮廓景观，然后预测潜在峰值的粗略位置，以帮助加快收敛速度​​。其次，TLLS 是一种解决方案细化策略，可在 CPA 粗略预测峰值后进一步提高解决方案的准确性。与其他最先进的 DE 和非 DE 多模态算法相比，即使是多模态优化竞赛的获胜者，20 个广泛使用的基准函数的实验结果也说明了所提出的 ANDE 算法的优越性。TLLS 是一种解决方案细化策略，可在 CPA 粗略预测峰值后进一步提高解决方案的准确性。与其他最先进的 DE 和非 DE 多模态算法相比，即使是多模态优化竞赛的获胜者，20 个广泛使用的基准函数的实验结果也说明了所提出的 ANDE 算法的优越性。TLLS 是一种解决方案细化策略，可在 CPA 粗略预测峰值后进一步提高解决方案的准确性。与其他最先进的 DE 和非 DE 多模态算法相比，即使是多模态优化竞赛的获胜者，20 个广泛使用的基准函数的实验结果也说明了所提出的 ANDE 算法的优越性。