多变异策略的自适应差分演化算法.pdf

《多变异策略的自适应差分演化算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第42卷第6期计算机科学Vo1．42No．62015年6月ComputerScienceJune2015多变异策略的自适应差分演化算法周雅兰徐志。(广东财经大学信息学院广州510320)(中山大学信息科学与技术学院广州510006)。摘要差分演qG(DifferentialEvolution，DE)算法的性能依赖于变异策略的选择和控制参数的设置。不同问题对DE的变异策略和参数的设置各不相同。为了提高DE的性能，提出一种多变异策略的自适应差分演化算法，建立由多种变异策略组成的策略池，两个主要参数自适应策

2、略控制。为了验证所提算法的性能，在测试数据集CEC2013上进行了实验，并将其与使用6种不同变异策略的原始DE和4种改进DE进行比较。实验结果表明，提出的算法是一种有效的DE变种，其性能优于其它DE。关键词差分演化算法，多变异策略，参数自适应中图法分类号TP183文献标识码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和控制参数集成的SaDE[。王勇等人提出CoDE，将3种常1前言用变异策略与3组控制参数随机配对生成试验向量l_1。。。差分演化l_1]算法是由Storn和Price于1997年提出的一Zhang等人提出带自适应参数和改进变异策略的J)E_1。种基于种群的全局演化算法，因其简单的操作和有效的优化龚文引等人采用4种变异策略的产生操作并与文献[11]相似效果受到研究者们的广泛关注，并被大量地用于解决

7、科学和的参数自适应方法相集成_1。文献[13]在交叉操作中引入工程领域的优化问题。原始DE主要有3个演化操作：变异、协方差矩阵学习，并与双模分布控制参数的方法相集成。交叉和选择，通过这3个演化操作促使种群向全局最优移动，4)混合其它方法。混合其他智能优化方法可以进一步提升DE其中变异操作以及变异和交叉的控制参数对DE算法的性能性能，如文献[14]综述了DE和粒子群算法的各种混合版本。影响较大。近年，对DE算法的改进可分成4类：1)新候选解其中，jDE、SaDE、CoDE和JADE与本文提出的算法关联较

8、的产生操作(包括变异与交叉操作)的改进。文献E2]提出了大，将在2．2节中进一步介绍。除了算法改进，文献[153对基于距离的变异操作。文献[3]引人多目标的方法，选择适应DE的收敛性作了初步的研究。DE广泛应用于实际的优化度值和保持多样性较好的个体用于变异。文献E43不仅利用问题，如文献[16，173。Das和Suganthan对2011年以前DE邻域个体的信息在最优个体附近进行开采，加速算法收敛，而的理论、改进和应用情况进行了综述¨1。且引入方向信息来