資源描述：
《多變異策略的自適應(yīng)差分演化算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第42卷第6期計(jì)算機(jī)科學(xué)Vo1．42No．62015年6月ComputerScienceJune2015多變異策略的自適應(yīng)差分演化算法周雅蘭徐志。(廣東財(cái)經(jīng)大學(xué)信息學(xué)院廣州510320)(中山大學(xué)信息科學(xué)與技術(shù)學(xué)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(shè)置。不同問題對(duì)DE的變異策略和參數(shù)的設(shè)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(yīng)差分演化算法，建立由多種變異策略組成的策略池，兩個(gè)主要參數(shù)自適應(yīng)策
2、略控制。為了驗(yàn)證所提算法的性能，在測(cè)試數(shù)據(jù)集CEC2013上進(jìn)行了實(shí)驗(yàn)，并將其與使用6種不同變異策略的原始DE和4種改進(jìn)DE進(jìn)行比較。實(shí)驗(yàn)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(guān)鍵詞差分演化算法，多變異策略，參數(shù)自適應(yīng)中圖法分類號(hào)TP183文獻(xiàn)標(biāo)識(shí)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(jī)配對(duì)生成試驗(yàn)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(yīng)參數(shù)和改進(jìn)變異策略的J)E_1。種基于種群的全局演化算法，因其簡(jiǎn)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(xiàn)[11]相似效果受到研究者們的廣泛關(guān)注，并被大量地用于解決
7、科學(xué)和的參數(shù)自適應(yīng)方法相集成_1。文獻(xiàn)[13]在交叉操作中引入工程領(lǐng)域的優(yōu)化問題。原始DE主要有3個(gè)演化操作：變異、協(xié)方差矩陣學(xué)習(xí)，并與雙模分布控制參數(shù)的方法相集成。交叉和選擇，通過(guò)這3個(gè)演化操作促使種群向全局最優(yōu)移動(dòng)，4)混合其它方法。混合其他智能優(yōu)化方法可以進(jìn)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(duì)DE算法的性能性能，如文獻(xiàn)[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(duì)DE算法的改進(jìn)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(guān)聯(lián)較
8、的產(chǎn)生操作(包括變異與交叉操作)的改進(jìn)。文獻(xiàn)E2]提出了大，將在2．2節(jié)中進(jìn)一步介紹。除了算法改進(jìn)，文獻(xiàn)[153對(duì)基于距離的變異操作。文獻(xiàn)[3]引人多目標(biāo)的方法，選擇適應(yīng)DE的收斂性作了初步的研究。DE廣泛應(yīng)用于實(shí)際的優(yōu)化度值和保持多樣性較好的個(gè)體用于變異。文獻(xiàn)E43不僅利用問題，如文獻(xiàn)[16，173。Das和Suganthan對(duì)2011年以前DE鄰域個(gè)體的信息在最優(yōu)個(gè)體附近進(jìn)行開采，加速算法收斂，而的理論、改進(jìn)和應(yīng)用情況進(jìn)行了綜述¨1。且引入方向信息來(lái)
