针对差分进化(DE)算法收敛缓慢、易陷入局部最优的缺点,提出一种基于多种群自适应和历史成功参数的DE算法。首先,所有个体按适应度值被分为精英、中庸、劣势这3个子种群,并对不同子种群使用不同的变异策略,从而加强了算法开发性和探索...针对差分进化(DE)算法收敛缓慢、易陷入局部最优的缺点,提出一种基于多种群自适应和历史成功参数的DE算法。首先,所有个体按适应度值被分为精英、中庸、劣势这3个子种群,并对不同子种群使用不同的变异策略,从而加强了算法开发性和探索性之间的平衡;其次,对劣势子种群提出一种新的变异策略提高算法的多样性;再次,为了进一步加强开发性与探索性之间的平衡,限定每种策略中随机个体的候选父母范围,从而发挥不同个体之间的优势,进而提高算法的性能;最后,为了加强算法的开发性,使用历史成功参数指导参数的自适应选择,从而引领参数一直向着好的方向前进。基于CEC2014测试集的30个测试函数进行了比较实验,实验结果表明,在30维、50维问题上,相较于OLELS-DE(efficient Differential Evolution algorithm based on Orthogonal Learning and Elites Local Search mechanisms for numerical optimization),所提算法的Friedman检验的秩次等级分别提高了8.62%和22.55%。可见,所提算法的性能与求解精度更优,能有效处理全局数值优化的问题。展开更多
针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimensi...针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimension Exchange,APE-DE)。首先,设计了一种自扰动补偿策略,通过个体的空间位置来引导其搜索方向,有效避免了算法易陷入局部最优的困境。然后,提出了一种极性维度交互策略,用于提升算法多样性,一旦种群被检测出停滞,将启动相应的增强方案。最后,提出了一种自适应参数控制策略,通过小波基函数和适应度分布偏差信息实时捕捉种群适应度的变化,并据此动态调整算法参数。为了验证APE-DE的性能,在被广泛使用的IEEE CEC2017数据集上进行了实验,以验证算法面对多模态及复杂测试环境下的性能。实验结果表明,与8种最先进的差分进化变体相比,APE-DE在收敛精度和收敛速度方面均展现出了显著的优势。此外,为了评估APE-DE在解决现实问题中的有效性,将所提算法应用于光伏模型的参数识别问题。展开更多
为了使差分进化算法(differential evolution,DE)能够更好地利用个体邻域和整个种群的信息,提出了邻域精英信息和种群全局信息自适应的多策略差分进化算法(adaptive multi-strategy differential evolution algorithm for neighborhood ...为了使差分进化算法(differential evolution,DE)能够更好地利用个体邻域和整个种群的信息,提出了邻域精英信息和种群全局信息自适应的多策略差分进化算法(adaptive multi-strategy differential evolution algorithm for neighborhood elite collective information and population global information,MSDE-NECPG)。首先,充分利用个体邻域中多个精英个体的信息对变异策略进行引导,使搜索向更好的方向移动,提高开发能力。其次,为了让邻域的状态能够随着搜索过程不断地进化,引入邻域更新机制。当邻域最优个体连续多代更新失败,邻域可能陷入局部最优,此时扩大邻域半径,提高探索能力。同时,引入变异策略“DE/current-to-pbest”,这一策略不划分邻域,是基于种群的全局信息。两个策略基于个体的改进率进行多策略的自适应,在局部信息和全局信息之间进行平衡。此外,为了防止参数的错误交互,缩放因子F、交叉率CR根据成功历史积累进行更新,采用分组的参数自适应机制,不断适应搜索过程。最后,为了验证其有效性,在CEC2014的30个基准函数上,与5种迄今为止比较先进的差分进化算法进行比较,实验结果表明,所提算法的精度、稳定性和收敛速度比得上这5种先进的算法。展开更多
文摘针对差分进化(DE)算法收敛缓慢、易陷入局部最优的缺点,提出一种基于多种群自适应和历史成功参数的DE算法。首先,所有个体按适应度值被分为精英、中庸、劣势这3个子种群,并对不同子种群使用不同的变异策略,从而加强了算法开发性和探索性之间的平衡;其次,对劣势子种群提出一种新的变异策略提高算法的多样性;再次,为了进一步加强开发性与探索性之间的平衡,限定每种策略中随机个体的候选父母范围,从而发挥不同个体之间的优势,进而提高算法的性能;最后,为了加强算法的开发性,使用历史成功参数指导参数的自适应选择,从而引领参数一直向着好的方向前进。基于CEC2014测试集的30个测试函数进行了比较实验,实验结果表明,在30维、50维问题上,相较于OLELS-DE(efficient Differential Evolution algorithm based on Orthogonal Learning and Elites Local Search mechanisms for numerical optimization),所提算法的Friedman检验的秩次等级分别提高了8.62%和22.55%。可见,所提算法的性能与求解精度更优,能有效处理全局数值优化的问题。
文摘针对差分进化算法在应对多模态复杂优化问题时面临种群多样性丧失和过早收敛的缺陷,提出了一种基于自扰动和极性维度交互的自适应差分进化算法(Adaptive Differential Evolution Based on Self-guided Perturbation and Extreme Dimension Exchange,APE-DE)。首先,设计了一种自扰动补偿策略,通过个体的空间位置来引导其搜索方向,有效避免了算法易陷入局部最优的困境。然后,提出了一种极性维度交互策略,用于提升算法多样性,一旦种群被检测出停滞,将启动相应的增强方案。最后,提出了一种自适应参数控制策略,通过小波基函数和适应度分布偏差信息实时捕捉种群适应度的变化,并据此动态调整算法参数。为了验证APE-DE的性能,在被广泛使用的IEEE CEC2017数据集上进行了实验,以验证算法面对多模态及复杂测试环境下的性能。实验结果表明,与8种最先进的差分进化变体相比,APE-DE在收敛精度和收敛速度方面均展现出了显著的优势。此外,为了评估APE-DE在解决现实问题中的有效性,将所提算法应用于光伏模型的参数识别问题。
文摘为了使差分进化算法(differential evolution,DE)能够更好地利用个体邻域和整个种群的信息,提出了邻域精英信息和种群全局信息自适应的多策略差分进化算法(adaptive multi-strategy differential evolution algorithm for neighborhood elite collective information and population global information,MSDE-NECPG)。首先,充分利用个体邻域中多个精英个体的信息对变异策略进行引导,使搜索向更好的方向移动,提高开发能力。其次,为了让邻域的状态能够随着搜索过程不断地进化,引入邻域更新机制。当邻域最优个体连续多代更新失败,邻域可能陷入局部最优,此时扩大邻域半径,提高探索能力。同时,引入变异策略“DE/current-to-pbest”,这一策略不划分邻域,是基于种群的全局信息。两个策略基于个体的改进率进行多策略的自适应,在局部信息和全局信息之间进行平衡。此外,为了防止参数的错误交互,缩放因子F、交叉率CR根据成功历史积累进行更新,采用分组的参数自适应机制,不断适应搜索过程。最后,为了验证其有效性,在CEC2014的30个基准函数上,与5种迄今为止比较先进的差分进化算法进行比较,实验结果表明,所提算法的精度、稳定性和收敛速度比得上这5种先进的算法。
