进化计算综述——A survey on evolutionary computation for complex continuous optimization

进化计算运用于复杂连续优化综述

1. 摘要：

随着经济社会的快速发展，复杂的连续优化问题广泛存在。此外，物联网、云计算、大数据等技术也给优化问题带来了更多的挑战，包括多维、多变化、多优化、多约束、多成本等。

我们将这些挑战称为5-M挑战，它们存在于大规模优化问题、动态优化问题、多模态优化问题、目标优化问题、约束优化问题和实际应用中的昂贵优化问题中。进化计算（EC）算法是一种很有前途的全局优化工具，不仅广泛应用于解决传统的优化问题，而且近年来在解决上述复杂的连续优化问题方面也出现了蓬勃的研究。本文根据EC算法在降低问题难度、增加算法多样性、加快收敛速度、缩短运行时间和扩展应用领域等方面的功能，提出了一种新的分类方法，对EC算法进行了全面的综述。

2. 简介：

优化在许多领域都经常遇到。人们可以使用试错法来测试非常简单的优化问题的不同解决方案。然而，随着经济和社会的发展，问题变得越来越复杂，试错法已经不再适用。因此，许多基于数学和计算机辅助的优化技术被开发出来。其中，进化计算（EC）在许多优化问题中已经成为一种很好的全局优化技术。EC技术可以追溯到20世纪60年代，当时提出了遗传算法（GA）、进化规划（EP）、进化策略（ES）和遗传规划（GP）等进化算法（EA）来解决全局优化问题。EA模拟生物的进化过程和自然选择原理来优化问题。20世纪90年代以来出现的一些优化技术，如差分进化（DE）和算法估计分布（EDA），也被视为EA。除了EA， 20世纪90年代以来还出现了一些模拟蚁群、鸟类等群体智能行为的优化技术。它们包括蚁群优化（ACO）和粒子群优化（PSO），它们也被称为群体智能（SI）算法。如今，EC家族主要是指EA和SI，自20世纪90年代以来，近三十年来发展迅速。

尽管EC算法已经成功地应用于多种全局优化问题，但近几十年来，优化问题中的新困难也给EC算法带来了巨大的挑战。众所周知，由于物联网、云计算、大数据的发展，如今的优化问题变得越来越复杂。例如，在大数据环境中，复杂的优化问题与许多其他大数据问题一样，总是存在所谓的4-V挑战，即Volume， Velocity, Variety, and Value ，分别表示数据量，变化速度，数据范围和数据有效性。具体来说，这些复杂的优化问题通常是大规模的，动态的，有许多局部/全局最优，有约束，有许多目标，并且需要非常昂贵的目标函数评估。本文首次引入5-M概念，将复杂连续优化问题划分为5-M类，包括多维、多变化、多优化、多约束和多成本。因此，复杂的连续优化问题通常包括大规模优化问题(Large-scale Optimization Problems, LSOP)、动态优化问题(Dynamic Optimization Problems, DOP)、多模态优化问题(Multimodal Optimization Problems, MMOP)、多目标优化问题(Multi-objective Optimization Problems, MOP)、多目标优化问题(Many-objective Optimization Problems, MaOP)、约束优化问题(Constrained Optimization Problems, COP)和昂贵优化问题(Expensive Optimization Problems, EOP)。上述复杂的连续优化问题对应的5-M和4-V挑战如下图所示。

3. 挑战和分类：

挑战：

分类：

这些方法可以从三个角度来考虑。

• 首先，由于问题比较复杂，我们是否可以降低原问题的难度，使EC算法能够解决问题？例如，将原来复杂的问题分解或转化为其他简单的问题。这可以被看作是**“降低问题难度”的方法**。

• 其次，由于EC算法在复杂的搜索环境中可能会降低其性能，我们是否可以提高算法的能力？例如，如果算法容易陷入局部最优，我们可以增加多样性，使算法具有更强的全局搜索能力。一般来说，算法的多样性与种群信息有关，例如种群位置数据和种群移动数据，因此可以通过使用各种参数/算子和多个种群来增强算法的多样性。再例如，如果搜索空间较大或计算耗时较长，我们可以加快收敛速度或减少运行时间。这些可以看作是**“增加算法多样性”、“加快收敛速度”和“减少运行时间”的方法**。其中，多样性越大，勘探能力越强，收敛速度越快，开发能力越好。

• 第三，由于许多复杂的连续优化问题来自于实际应用，我们是否可以结合这些问题的实际特点来研究如何处理这些问题？这可以看作是**“扩展应用领域”的方法。**

4. 相关工作分类：

根据图2的分类回顾求解复杂连续优化问题的EC算法。具体来说，根据问题类型将调查分为六个部分，分别是LSOP、DOP、MMOP、MOP/MaOP、COP和EOP的EC算法。在每一部分中，根据我们的面向功能的分类法对相关工作进行分类，包括部分或全部降低问题难度、增加算法多样性、加快收敛速度、减少运行时间和扩展应用领域的方法。

4.1 EC用于大规模优化问题：

LSOP的决策变量数量（即维度）比较大，一般在500以上，通常在1000以上。随着维数的增加，LSOP的求解难度越来越大。一方面，LSOP的搜索空间会呈指数增长，另一方面，局部最优解的数量也会呈指数增长。因此，大多数传统的EC算法在求解LSOP时性能会迅速下降，因为它们容易陷入局部最优。因此，我们需要根据LSOP的特点采取适当的方法来提高EC算法求解LSOP的性能。在现有的一些文献中， EC算法求解LSOP的方法主要分为两类：

• 一类是将整个LSOP分解为若干子问题的合作协同进化（cooperative co-evolution， CC）方法

• 另一类是采用一些附加策略来增强算法性能的非CC方法

我们根据面向功能的分类法将研究工作分为三类，如图3右侧所示。首先是降低问题的难度，主要通过采用CC方法将整个LSOP分解为规模较小的子问题。二是增加算法多样性，使算法能够在更大的搜索空间中搜索更多的高精度解，包括自适应控制参数、设计新的算子、引入多种群等。三是加快收敛速度，主要是通过嵌入局部搜索，使算法适用于在可接受的时间内找到有希望的解。此外，最后还将介绍LSOP的一些面向应用的方法。

4.1.1 降低问题难度：CC方法利用了“分而治之”的思想，是降低LSOP难度的一种著名而常用的方法。CC方法旨在将整个LSOP分解为具有较少决策变量且更容易解决的几个子问题。基于cc的算法平等地对待子问题。也就是说，所有子问题都通过相同数量的计算资源进行优化。但由于不同子问题中变量的数量不同，导致子问题之间存在不平衡。因此，也有很多关于不同子问题应该分配不同计算资源的研究。

4.1.2 增加算法多样性: 由于LSOP的高维导致搜索多样性不足，一些算法可能会陷入局部最优。因此，我们可以通过增加算法的多样性来提高算法求解LSOP的性能。方法主要分为三大类：自适应控制参数、设计新算子和引入多种群。

自适应控制参数: EC算法中一些影响算法多样性的参数可以自适应控制。

设计新算子: 例如许多研究人员修改了标准粒子群算法的速度和位置更新方法，以增加算法的多样性。

**4.1.3 加快收敛速度：**由于LSOP的高维数，存在着收敛速度上的困难。因此，收敛速度也是求解LSOP时需要考虑的问题。嵌入局部搜索是加快收敛速度的主要方法。

4.2 EC用于动态优化问题：

与静态优化问题相比，动态优化问题（DOP）的环境可能随时间而变化，包括最优解的位置、维数和问题的搜索空间的变化。在求解DOP时，EC算法不仅需要找到特定环境下的全局最优解，还需要跟踪不同环境下的变化最优解。因此，EC算法求解DOP的主要挑战是种群如何在环境变化时跳出先前的最优解，以及算法如何在新环境中尽快找到新的最优解。人们提出了许多EC算法。求解DOP的传统分类方法如图5的左侧所示。与传统的分类方法相比，我们根据面向功能的分类方法对求解方法进行分类，如图5的右侧所示

• 降低问题难度：考虑到求解DOP问题的难度，有一个简单的思想是我们可以通过将复杂的DOP分解为一组更简单的问题来降低问题的难度。从问题的决策空间来看主要有两种方法：维度分组（decomposing the dimension into groups）（来源于CC方法）和搜索空间分块（Dividing the search space into pieces）。

• 增加算法多样性：在使用EC算法求解DOP时，种群在进化过程中会逐渐收敛，所以当环境发生变化时需要跳出之前的局部区域。保持多样性有利于避免算法陷入局部区域，不断探索搜索空间并找到新的最优解。因此人们提出了许多提高算法多样性的方法：    （1）多种群：使用多种群是算法增加多样性的一种常见方法。其中，在进化过程中维护多个种群，每个种群负责一项单独的任务。这些任务的目标可能相同，也可能不同。因此存在两种多种群模型，即异构模型和同构模型。在异构模型中，多个种群处于不同的层或具有不同的配置或任务；在同构模型中，每个种群都有相同的任务。此外种群的数量和大小可以是固定的或可变的，并且每个种群的搜索空间可以具有固定的大小或相互重叠。

（2）构建复合解：复合解是由几个组分解组成的特殊解，也可以看作是一个子种群。即复合解策略实际上隐式的将种群划分为多个子种群。      （3）设计新的解更新策略：设计新的解更新策略是通过生成更多的新解来增加算法多样性的另一种方法。它几乎适用于所有的进化计算算法，包括遗传算法(GA)、差分进化算法(DE)和粒子群优化算法(PSO)。   

• 加快收敛速度：在求解DOP时，当环境发生变化时算法需要在新环境中快速定位最优解，这就要求算法具有较快的收敛速度。一般来说，连续动态环境之间往往具有很强的相关性，因此重用历史解在新环境中有很大的潜力加快收敛速度。重用历史解有两种方法：一是直接重用历史解；二是预测最优解的位置，并基于历史解获得有希望的初始种群。

4.3 EC用于多模态优化问题：

多模态优化问题（Multimodal optimization problems， MMOP）是指具有多个最优点的优化问题。一般来说，根据我们的面向功能的分类法，解决EC算法在求解MMOP方面挑战的研究工作可以分为以下三个方面：通过多目标化方法降低问题难度，通过小生境方法或新颖算子增加算法多样性，以及通过局部搜索策略提高收敛速度。

• 降低问题难度：MMOP问题中有多个最优解，这些最优解的适应度评估值是相同的。在这种情况下，适应度值可能不能提供足够的指导来驱动种群的进化，导致EC算法过早收敛。为了降低问题的难度，一些研究者尝试通过从问题中提取信息作为另一个目标将MMOP问题转换为MOP问题，以提供更多的指导从而帮助算法更容易搜索。

• 增加算法多样性：大量的研究集中在增强种群多样性上，以帮助在MMOP中尽可能多地找到最优解。这些研究工作可分为小生境法（Niching Method）和新算子两大类。

  • 小生境法是将种群划分为若干子种群，使种群局部进化以保持多样性；
  • 为EC算法设计新的算子来适应MMOP问题。（但很少有研究关注个体的选择，如果选择算子设计不好，即使已经生成了不同最优区域的多样性解，也不能将它们选择到下一代中。）

• 加快收敛速度：除了在MMOP中定位多个最优解外，加快收敛速度以细化所找到的近似最优解的精度也是一个具有挑战性的问题。一个流行的策略是局部搜索。通常算法都是基于一些概率模型对解进行扰动以提高其精度，其中高斯概率模型是应用最广泛的一种。使用高斯概率模型的一个解的一般局部搜索策略可以通过使用这个解作为均值并结合标准差来实现。因此在基于扰动的局部搜索策略设计中存在两个具有挑战性的问题：一个是标准差的设置；另一个是选择哪一个解用于局部搜索。

4.4 EC用于多目标优化问题：

多目标优化问题（Multi）和多目标优化问题（many）是两种复杂的连续优化问题，通常分别涉及两个/三个目标和三个以上目标。与求解多目标优化问题（MOP）相比，求解多目标优化问题（MaOP）由于目标的增加而更加困难。传统的EC算法在求解MOP和MaOP时，很难保持所有目标的多样性和收敛性。一方面，随着目标数量的增加，目标空间变得非常大，**需要均匀逼近真帕累托前沿（PF）的解也迅速增加。另一方面，由于Pareto优势关系是基于许多目标定义的，因此大多数解是非优势解，而只有很小一部分解接近PF。**因此，如何获得沿PF分布良好的近似最优解是一个值得研究的问题。

• 降低问题难度：当我们应用简化问题的思想来求解MaOP问题时，这个思想被应用为：

  （1）减少问题大小：在MaOP问题中，目标的数量通常超过3个，但并不是所有的目标都是冲突的。因此减少冗余目标可以帮助减少MaOP问题的规模，这是降低问题难度的一种直接方法；（2）转换为一个或多个单目标问题；（3）缩小偏好区域：由于不是所有的Pareto解都符合决策者的实际需要，因此该方法只关注决策者偏好的区域而没有探索整个PF（只需找到决策者偏好区域的帕累托解集）。

• 增加算法多样性：由于MaOP问题的复杂性，许多研究都着重于增加解的多样性以帮助寻找全局最优PF。主要方法包括：（1）定义新的多样性管理策略帮助EC算法生成分布均匀的多种解；（2）随着搜索空间的扩大，一些方法倾向于使用不同的参考点和参考方向来增加算法的多样性。；（3）另一种提高算法多样性的方法是使用多个协同进化种群，因为不同的种群可以配置不同的设置，或者它们可以合作搜索不同的区域。

• 加快收敛速度：为了使解尽可能接近真实PF，在MaOP问题中对加速收敛速度的研究也很有意义。主要方法包括：（1）重新定义帕累托支配关系：由于MaOP问题中目标的数量较多，基于Pareto的EC算法得到的非支配解的数量会因难以满足Pareto支配定义而成指数增加。然而只有一小部分更接近真实PF的非支配解具有更强的引导种群收敛的能力。这导致了支配阻抗（Dominance Resistance）现象(Purshouse and Fleming 2007)，导致选择压力降低并影响了基于Pareto的EC算法的收敛性能。因此有必要对帕累托支配关系进行改进或重新定义；（2）用有希望的解引导种群：也有一些研究倾向于根据特定的偏好策略从当前的帕累托集合中选择更有希望的解，从而引导种群更快地收敛；（3）用收敛指标引导种群。

• 减少运行时间：对原算子进行优化和改进，可以有效降低原算法的复杂度和运行时间。此外一些研究人员建议减少基于指标的算法和基于分解的算法的执行时间。

4.5 EC用于约束优化问题：

约束优化问题是一类需要满足一组约束条件的复杂问题。因此，在搜索空间中存在许多不可行的解决方案，因为它们不满足某个、某些或全部约束。只有一小部分搜索空间包含可行解。由于EC算法强大的搜索能力，近几十年来，许多研究人员都在研究如何利用EC算法来解决COP问题。然而，很难确定哪个解决方案更好，因为COP存在不可行的区域，其中解决方案可能具有良好的适应度值。在使用EC处理COP时，我们需要结合约束处理技术（CHTs）。EC算法作为搜索引擎，而CHTs则指导算法如何为下一代人口选择解决方案。求解COP的经典技术分类如图8的左侧所示。本文根据面向函数的分类法，从降低问题难度、增加算法多样性和加快收敛速度三个方面对求解COP的EC算法文献进行了分类。

• 降低问题难度：考虑到在搜索空间中寻找可行域的困难，降低COP的问题难度是一个很好的方法。可分为三类：  （1）罚函数法：罚函数法是一种著名的降低问题难度的方法，因为它可以很简单直观地将COP问题转化为无约束问题。该方法将约束条件作为惩罚因子添加到适应度函数中，使目标函数和约束函数可以同时考虑在一个函数中。然而惩罚因子是问题相关的，很难设置一个合适的值。根据惩罚因子调整方法的不同，罚函数方法可分为以下四类：①最简单的罚函数法直接将惩罚因子设为正无穷，称为“Death Penalty”；②静态罚函数在演化过程中利用固定的惩罚因子；③动态罚函数在演化过程中改变了惩罚因子；④自适应罚函数根据种群反馈信息对惩罚因子进行调整。  （2）多目标化：将COP问题转化为MOP问题。它将整体约束条件作为另一个目标或将每个约束函数都作为一个目标，从而使算法能够轻松地找到MOP的可行解。  （3）将可行域映射为常规域。

• 增加算法多样性：在COP问题中，有些不可行解可能比可行解更接近最优可行解。因此如何选择下一个种群的解是COP的关键问题，提高算法的多样性对COP具有重要意义。目前的研究主要有两种提高算法多样性的方法：（1）将目标和约束分开处理；（2）结合不同特征的约束处理技术。

• 加快收敛速度：在求解COP时，如何快速收敛到可行域是一个值得思考的问题。上面讨论的约束处理技术通常用于比较两种解。然而近年来，一些研究人员转而使用约束处理技术来直接指导解的生成。这种方法主要是利用变异算子来加快COP求解的收敛速度。在讨论如何加快求解COP的收敛速度时，主要有两种方法。一个是加速约束的收敛，另一个是加速目标函数的收敛。

4.6 EC用于昂贵优化问题：

昂贵优化问题(EOP)是指需要计算昂贵的模拟或计算来评估候选解的优化问题。根据面向功能的分类方法对使用EC算法求解EOP问题的方法进行分类，如图9所示。

• 降低问题难度：在许多优化问题中，评估候选解的数值或精确适应度函数可能不存在。在这种情况下，解只能通过计算昂贵的数值模拟或物理实验来评估，例如风洞实验。这给EC算法带来了巨大的挑战，因为大多数EC算法都是基于适应度评估来进化的。为了解决这一问题，减少优化难度，近似方法得到了广泛的研究。一般来说，现有的降低问题难度的近似方法主要可以分为两大类：问题近似和适应度近似。  （1）问题近似：问题近似是一种直接使用近似问题来代替原始问题的方法。新问题与原问题大致相同，但更容易解决。  （2）适应度近似：与问题逼近方法对原评估过程进行近似不同，适应度近似方法直接逼近候选解的适应度值。给定一些评估数据，即解及其对应的适应度值，EC算法可以采用适应度近似方法来逼近目标函数。在此之后，可以用近似的目标函数（也称为代理函数）来代替原始目标函数，并对新的候选解进行评估来驱动EC算法。

• 减少运行时间：由于EOP问题的计算量较大，因此有必要减少EC算法的运行时间，使其能够应用于实际的EOP问题。一般来说，减少昂贵适应度评估的运行时间有三种方法：  （1）适应度继承与模仿方法：由于适应度评价过程昂贵，适应度继承和模仿方法是基于其他个体的适应度值来近似新个体的适应度值，而不是通过执行适应度函数来计算适应度值。在适应度继承中，新个体的适应度值继承于父个体；在适应度模仿中，新个体的适应度值是根据其它相关的被评估个体估计得到的。  （2）多保真度适应度近似方法：在许多现实应用中，适应度评估的保真度可以手工控制且在保真度和计算代价之间有一个平衡。在这种情况下，多保真度适应度近似方法考虑的是如何更好地利用具有多个保真度的仿真和模型来寻找最优解，从而在更短的时间内获得可接受的解。  （3）并行和分布式技术。

5.潜在的研究方向和有待解决的问题

从问题-算法两个层面考虑并讨论了未来的六个潜在研究方向

5.1 2‑M或X‑M挑战的组合

与上面讨论的复杂连续优化问题相比，现实问题往往处于更加复杂的环境下，可能涉及到2-M或X-M的挑战。例如，一些应用问题不仅是大规模的、多维度的，而且是动态的、多变化的，如大规模动态社区检测问题(Yin et al. 2021)和大规模动态最优无功功率流动问题(Xiao et al. 2020)。为了解决这些复杂的实际优化问题，我们需要建立合适的模型并使用合适的算法对其进行优化。因此，未来的研究方向之一是如何通过考虑这些问题中存在的X-M挑战，使问题模型更加实用。如果我们只考虑一些简单的特征来对实际应用中的问题进行建模，那么问题模型可能不适合实际应用。因此，通过多源数据关联和真实数据以结合不同类型的挑战，从而考虑不同类型的问题特征是一个值得研究的方向(Liang et al. 2020; Shi et al. 2021; Wu et al. 2021a)。通过这种方式我们将得到更复杂的优化问题，如大规模动态优化问题、约束多模态优化问题、代价昂贵的约束优化问题、动态约束多目标优化问题等。此外，扩展EC算法来解决这些更复杂的问题也很有必要。

此外不同的挑战也可能有一些共同的特点。例如如图1和表1所示，MMOP和MOP都存在多最优解的挑战。因此MMOP和MOP的关系可以成为一个非常有趣的研究课题，以找出连接多目标和多模态问题的桥梁(Chen et al. 2020b)。这样，既可以将不同的挑战组合起来，又可以对不同的挑战进行转换，使针对一个挑战设计的EC算法也可以用于应对另一个挑战。

5.2 不同功能导向方法的合作

本文针对不同的复杂连续优化问题讨论了五种面向功能的方法。每种方法都试图从不同的角度改进算法的性能。如果我们混合这些方法，所得到的协同方法理想情况下可以更好地解决复杂连续优化问题，因为它在处理优化问题或增强EC算法时考虑了不同的方面。此外如前所述，在2-M或X-M的困难和挑战下，不同面向功能的方法的合作将更有前景。例如，降低问题难度的方法可以使EC算法更容易解决问题，增加算法多样性的方法和/或加快收敛速度的方法肯定会进一步使EC算法更好地工作。然而，不同面向功能方法的简单混合可能不会很好地工作。当采用不同的面向功能的方法来处理一个问题时，这些方法应该相互合作和促进，而不是简单的组合。因此，如何有效地控制它们之间的合作是EC算法未来值得研究的方向。此外，不同的方法可能在解决问题的不同阶段被需要，因此这些面向功能的方法的适应性在未来也值得研究。

5.3 多学科技术的交叉

除了上述不同的面向功能方法的协作以有效地处理复杂连续优化问题外，将其他学科的思想和技术集成到EC算法中，也有很大的潜力来提高算法的性能。例如我们可以拓宽视野，深入关注生物学、物理学等学科，为提高现有EC算法的性能寻找灵感，这些学科不仅为增强EC算法提供了坚实的科学、数学和统计基础，而且提供了关于EC算法在解搜索空间的搜索行为的可靠和正式的见解 (Sorensen 2015)。对于EC与生物学的交叉，许多EC算法，如遗传算法、蚁群算法和粒子群优化算法，都是受到自然现象的启发。近年来生物学特别是病毒学和免疫学的研究进展，可能会给现有的EC算法带来更多的启示。对于EC与物理学的交叉，粒子物理学是一门值得关注的学科。   人工智能(AI)也是近年来的研究热点。虽然EC本身是一种强大的人工智能技术，但其他一些著名的人工智能技术，如人工神经网络，都能够与EC算法相结合，提高解决复杂连续优化问题的性能。反馈网络和神经网络的自学习、自适应能力为参数调整、新环境预测、适应度模仿等提供了另一种途径。此外，AI中的迁移学习可以启发进化迁移优化，是EC研究复杂优化的新前沿(Tan et al. 2021)。因此，多学科和EC算法之间的灵感和技术交叉是更好地解决复杂连续优化问题的有希望的方法。

5.4 问题与算法的双向交互

在未来，问题会变得越来越复杂，算法也会变得越来越强大。事实上，EC算法本身也是一个复杂的系统。因此，如何有效地优化这个复杂系统（即EC算法）来有效地解决其他问题（如已解决的复杂优化问题）似乎是一个有趣的问题。针对复杂连续优化问题中已定义的5-M挑战，我们是否可以认为EC算法中也存在部分或全部此类挑战(或命名特征)？例如，如果我们设计一个具有非常大的种群规模的EC算法，则该算法是一个大规模的系统吗？在这种情况下，我们是否可以使用处理大规模挑战的方法来提高大规模种群规模的EC算法的性能？如果我们在进化过程中动态地改变EC算法的参数或算子，该算法是否是一个动态系统？在这种情况下，处理DOP的动态优化技术可能有助于增强动态EC算法。因此，问题与算法的复杂性和挑战性可能有一定的关系和相互作用。复杂的问题如何与复杂的算法相互作用，反之亦然?这种问题和算法的双向交互必将成为一个有趣的未来研究课题。

5.5 求解精度与计算量的平衡

此外，随着问题和算法的复杂性的增加，有必要考虑解决精度和计算负担之间的平衡，特别是在那些实时的实际应用中。当我们需要通过EC算法获得更高精度的解时，往往需要更多的计算量。然而，过于沉重的计算负担有时是不能接受的。因此需要在现有的计算量范围内得到一个相对满意的解。为了解决求解精度与计算量之间的权衡问题，有两个潜在的研究方向。首先是对EC算法的精度效率进行分析。精度效率表示将求解精度细化到一定程度所需的计算量。分析是关于如何提高计算精度和计算效率。其次是高性能计算和分布式计算资源的部署，特别是超级计算和云计算，因为它们提供了强大的计算能力。因此，分布式EC(DEC)算法设计(Zhan et al. 2017; Zhan et al. 2020)和在超级计算或云计算平台上部署DEC算法是缓解计算负担的一种有前景的方法。

5.6 更多现实世界复杂问题的应用

许多研究人员已经尝试使用EC算法来解决现实世界复杂的连续优化问题，并获得了一些有希望的结果。因此随着EC算法在处理复杂连续优化问题中5-M和4-V挑战方面的改进，EC算法在解决现实世界中更复杂的连续优化问题方面具有很大的潜力。这不仅在EC和复杂系统社区，而且在许多面临复杂持续优化问题的其他领域，都会是一个热点和长期存在的研究课题。

Zhan, Z., Shi, lin, Tan, K. chen, & Zhang, J. (2021). A Survey on Evolutionary Computation for Complex Continuous Optimization. Artificial Intelligence Review.