資源描述：
《多變異策略的自適應差分演化算法.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。
1、第42卷第6期計算機科學Vo1．42No．62015年6月ComputerScienceJune2015多變異策略的自適應差分演化算法周雅蘭徐志。(廣東財經(jīng)大學信息學院廣州510320)(中山大學信息科學與技術(shù)學院廣州510006)。摘要差分演qG(DifferentialEvolution，DE)算法的性能依賴于變異策略的選擇和控制參數(shù)的設置。不同問題對DE的變異策略和參數(shù)的設置各不相同。為了提高DE的性能，提出一種多變異策略的自適應差分演化算法，建立由多種變異策略組成的策略池，兩個主要參數(shù)自適應策
2、略控制。為了驗證所提算法的性能，在測試數(shù)據(jù)集CEC2013上進行了實驗，并將其與使用6種不同變異策略的原始DE和4種改進DE進行比較。實驗結(jié)果表明，提出的算法是一種有效的DE變種，其性能優(yōu)于其它DE。關鍵詞差分演化算法，多變異策略，參數(shù)自適應中圖法分類號TP183文獻標識碼AIlOI10．11896／j．issrL1002—137)己2015．6．052Self-adaptiveDifferentialEvolutionwithMulti。mutationStrategiesZH0UYa-lanXUZ
3、hi(SchoolofInformationScience，GuangdongUniversityofFinance＆Economics，Guangzhou510320，China)(SchoolofInformationScienceandTechnology，SunYat—senUniversity，Guangzhou510006，China)AbstractTheperfcIrmanceofdifferentialevolution(DE)algorithmoftendependsheavily
4、onthemutationstrategyandcontrolparameters．Ahovelself-adaptivedifferentialevolutionwithmulti—mutationstrategiescalledsJSDEwaspro—posed．SMSDEdesignsastrategypoolconsistingofmanykindsofmutationstrategyandappliesself-adaptivestrategiestotWOmainparameters．In
5、ordertoverifytheperformanceofSMSDE，SMSDEwascomparedwith6originalDEsand4advancedDEsonCEC2013benchmarkfunctions．TheexperimentalresultsshowthatSMS【IEiSsuperiortOorigina1DES。andiScompetitivewiththecurrentadvancedDEvariants．KeywordsDifferentialevolutionalgor
6、ithm，Multi-mutationstrategies，Parameterself_adaptation和控制參數(shù)集成的SaDE[。王勇等人提出CoDE，將3種常1前言用變異策略與3組控制參數(shù)隨機配對生成試驗向量l_1。。。差分演化l_1]算法是由Storn和Price于1997年提出的一Zhang等人提出帶自適應參數(shù)和改進變異策略的J)E_1。種基于種群的全局演化算法，因其簡單的操作和有效的優(yōu)化龔文引等人采用4種變異策略的產(chǎn)生操作并與文獻[11]相似效果受到研究者們的廣泛關注，并被大量地用于解決
7、科學和的參數(shù)自適應方法相集成_1。文獻[13]在交叉操作中引入工程領域的優(yōu)化問題。原始DE主要有3個演化操作：變異、協(xié)方差矩陣學習，并與雙模分布控制參數(shù)的方法相集成。交叉和選擇，通過這3個演化操作促使種群向全局最優(yōu)移動，4)混合其它方法?；旌掀渌悄軆?yōu)化方法可以進一步提升DE其中變異操作以及變異和交叉的控制參數(shù)對DE算法的性能性能，如文獻[14]綜述了DE和粒子群算法的各種混合版本。影響較大。近年，對DE算法的改進可分成4類：1)新候選解其中，jDE、SaDE、CoDE和JADE與本文提出的算法關聯(lián)較
8、的產(chǎn)生操作(包括變異與交叉操作)的改進。文獻E2]提出了大，將在2．2節(jié)中進一步介紹。除了算法改進，文獻[153對基于距離的變異操作。文獻[3]引人多目標的方法，選擇適應DE的收斂性作了初步的研究。DE廣泛應用于實際的優(yōu)化度值和保持多樣性較好的個體用于變異。文獻E43不僅利用問題，如文獻[16，173。Das和Suganthan對2011年以前DE鄰域個體的信息在最優(yōu)個體附近進行開采，加速算法收斂，而的理論、改進和應用情況進行了綜述¨1。且引入方向信息來
