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。
