由于代理辅助进化算法在解决昂贵优化问题上有强大的搜索能力，因此引起广泛关注。但是在处理高维昂贵的优化问题时，代理辅助算法的有效性急剧下降。本文针对高维代价昂贵的优化问题，提出了一种新颖，高效的分层代理辅助差分进化算法。为了在优化过程中平衡勘探和开发，EHSDE使用了分层框架。在第一阶段，分别确定最佳和最不确定的后代。最佳后代通过全局代理模型预筛得到，该模型是通过使用所有采样点的径向基函数网络构建的，而最不确定的后代则是通过后代与现有采样点之间的欧式距离来构建的。随后，利用两个局部代理模型，分别通过使用最优样本点和围绕当前最优样本点最近的样本点来构建，以加快收敛速度。此外，还针对20D到100D的基准函数以及油藏生产优化问题进行了实验研究。结果表明，与其他最新算法相比，该方法对于大多数测试函数和生产优化问题都是有效且高效的。

EHSDE流程图

EHSDE算法与其它算法效果对比

文章链接：https://doi.org/10.1016/j.ins.2020.06.045