摘要：
本文提出了一种基于替代引导的差分进化算法（surrogate-guided differential evolution algorithm）来提高涉及昂贵的模拟和大量的设计变量问题的优化效率。 将差分进化算法与代理算法进行了融合：将全局代理和局部代理预测的最优解与变异算子结合起来，使其指导差分进化算法的变异方向，从而使差分进化算法快速收敛。
提出了一种简单的代理预筛策略，进一步提高了代理预筛的优化效率。
介绍
一、差分进化算法(Differential Evolution, DE)：->升级为JADE算法 基于群体差异的启发式随机搜索算法（启发式的优化算法还包括PSO等），差分进化算法的流程包括：初始化种群、变异、交叉、选择。基于当前的种群进行差分变异操作（随机选取种群中两个不同的个体，将其向量差缩放后与待变异个体进行向量合成），对个体和变异个体进行交叉操作（通过概率的方式随机生成新的个体），对实验个体组成的临时种群进行评价，通过选择操作确定下一代新种群（贪婪，选择较优的个体作为新个体）。
二、代理引导的差分进化算法（ Surrogate-guided differential evolution optimization） 一种求解高维昂贵问题的替代引导差分进化优化算法的方法，这里加入了代理引导突变和代理引导选择机制（S-JADE），流程如下图
S-JADE利用局部代理提供的最佳信息来改变差异向量。
如果预测最优点x*_r1,g的响应值比x_r1,g更小，那么x_i,g会更接近全局最优 从上图可以看出来，红点比黑点更接近全局最优。
确定邻域范围： 定义评价方法：
在S-JADE中代理引导选择 首先用全局RBF代理来选择候选点试验向量（candidate trial vectors）,然后选择一些预测响应值最小的向量进行精确适应度函数评估（L是所选试验向量的个数）。 S-JADE用选择操作来从父代向量中通过他们的适应度函数f(·）选择一个更好的点和试验向量：
