一種多差分向量的自適應(yīng)差分演化算法.pdf

1、自然界中生物體優(yōu)勝劣汰，不斷由低級向高級進(jìn)化。人們通過觀察這些適者生存的法則構(gòu)成了一些優(yōu)化算法。優(yōu)化算法的本質(zhì)是在眾多解中尋找到一個最優(yōu)的解，使得系統(tǒng)在滿足一定約束條件時某些指標(biāo)達(dá)到最大或最小。這部分通過模仿自然界現(xiàn)象來解決優(yōu)化問題的算法我們便稱為演化算法，比較常用的演化算法有遺傳算法，模擬退火算法，粒子群算法，蟻群算法，差分演化算法。其中差分演化算法是近年來備受關(guān)注的一種新興演化算法，有著結(jié)構(gòu)簡單，時空復(fù)雜度低，收斂性能快速穩(wěn)定等特點

2、，但是其也有對坐標(biāo)系統(tǒng)的旋轉(zhuǎn)十分敏感等缺陷。雖然一些方法已經(jīng)被提出來用于解決DE的旋轉(zhuǎn)問題，但是這些方法都有可能造成種群多樣性的丟失，從而導(dǎo)致早熟收斂問題。
　　在這里，我們提出了一種新的自適應(yīng)差分演化算法用來提高DE的優(yōu)化性能，尤其是在旋轉(zhuǎn)問題上的優(yōu)化性能。我們提出的新算法名叫aKDE，該算法通過實施一種新的試驗向量生成策略”DE/current-to-pbest/K/pk”來生成新的試驗向量，該策略一方面在交叉操作中概率性地消

3、除傳統(tǒng)DE中旋轉(zhuǎn)可變的交叉算子使得算法概率性的旋轉(zhuǎn)不變，另一方面在變異操作中使用多個差分向量來生成變異變量以增強潛在的種群多樣性，從而平衡算法的探索(exploration)能力和開發(fā)(exploitation)能力。上面策略中，K決定了差分向量的數(shù)量。pk決定了在交叉操作中取消傳統(tǒng)交叉算子的概率。為了取得更好的優(yōu)化效果，本文還介紹了一些對于K的選擇和適應(yīng)方法以得到一個適宜的K值。此外，一些參數(shù)自適應(yīng)方法利用歷史成功參數(shù)來更新DE控制參