基于双变异策略的自适应骨架差分进化算法.docx

基于双变异策略的自适应骨架差分进化算法
基于双变异策略的自适应骨架差分进化算法
摘要：
骨架差分进化算法（DifferentialEvolution，简称DE）是一种常用的全局优化算法，广泛应用于函数优化、特征选择、参数优化等问题。然而，传统的DE算法在解决复杂优化问题时存在局部收敛速度慢、易陷入局部最优等问题。为了解决这些问题，本文提出了一种基于双变异策略的自适应DE算法。通过引入两种不同的变异策略并结合自适应权重控制机制，使得算法可以在全局搜索和局部搜索中取得更好的平衡，提高收敛速度和搜索精度。实验结果表明，该算法在函数优化问题上取得了较好的性能。
关键词：骨架差分进化算法，双变异策略，自适应权重控制
1.引言
随着计算机技术的不断发展，优化问题的求解在现实生活和工业应用中变得越来越重要。骨架差分进化算法作为一种全局优化算法，因其简单、易实现和高效的特点，成为了研究领域中受关注的算法之一。然而，传统的DE算法在解决复杂优化问题时存在着收敛速度慢、易陷入局部最优等问题。因此，如何提高DE算法的收敛速度和搜索精度成为了研究的重点。
2.相关工作
2.1骨架差分进化算法
DE算法是一种生成式的全局搜索优化算法，其基本思想是通过将种群中的个体进行变异和交叉操作，生成新的解，并通过适应度函数评估新解的好坏程度。然后根据一定的选择策略来更新种群，从而逐渐找到最优解。然而，传统的DE算法存在着收敛速度慢、易陷入局部最优等问题。
2.2变异策略
变异策略是DE算法中的重要组成部分，它决定了个体进行变异操作时如何生成新的解。常用的变异策略有rand/1、rand/2、best/1等。然而，单一的变异策略往往不能满足所有问题的要求，因此研究者对变异策略进行了不断的改进和优化。
3.双变异策略的自适应骨架差分进化算法
为了解决传统DE算法的不足，本文提出了一种基于双变异策略的自适应DE算法。该算法采用两种不同的变异策略，并结合自适应权重控制机制，以在全局搜索和局部搜索之间取得更好的平衡。
3.1变异策略
本算法采用rand/1和best/1两种变异策略。rand/1策略是在种群中随机选择三个个体，并通过线性组合计算变异个体。best/1策略则是在种群中选择最好的个体，并与随机选择的一个个体进行线性组合计算变异个体。
3.2自适应权重控制
为了进一步提高算法的搜索能力，本文引入了自适应权重控制机制。通过动态计算和调整变异策略的权重，使得算法可以自适应地调整全局搜索和局部搜索的权衡，从而更好地适应不同的问题。
4.实验结果与分析
本文在多个经典的函数优化问题上进行了实验，并将本算法与其他算法进行了对比。实验结果表明，基于双变异策略的自适应DE算法在收敛速度和搜索精度上取得了较好的性能。相比传统的DE算法，本算法具有更快的收敛速度和更高的搜索精度。
5.结论
本文提出了一种基于双变异策略的自适应DE算法，通过引入两种不同的变异策略和自适应权重控制机制，实现了全局搜索和局部搜索的平衡。实验结果表明，该算法在函数优化问题上具有较好的性能，可以提高收敛速度和搜索精度。然而，本算法还存在一些不足之处，需要在后续的研究中进行改进和优化。
参考文献：
[1]Storn,R.,Price,K.Differentialevolution-asimpleandefficientheuristicforglobaloptimizationovercontinuousspaces.JournalofGlobalOptimization,1997,11(4):341-359.
[2]Zhang,J.,Sanderson,A.C.JADE:Adaptivedifferentialevolutionwithoptionalexternalarchive.IEEETransactionsonEvolutionaryComputation,2009,13(5):945-958.
[3]Gong,C.,Liu,X.Anovelself-adaptivehybriddifferentialevolutionfornumericaloptimization.IEEETransactionsonEvolutionaryComputation,2018,22(2):172-185.
[4]Zheng,L.,Yang,Z.,Wei,Y.,etal.Anewadaptivedifferentialevolutionalgorithmforefficientfunctionoptimization.NeuralComputingandApplications,2018,29(10):853-869.