基于向量智能選擇技術(shù)的差分演化算法研究.pdf

1、學(xué)校代碼：10385分類號：研究生學(xué)號：1400214026密級：基于向量智能選擇技術(shù)的差分演化算法研究基于向量智能選擇技術(shù)的差分演化算法研究ResearchonIntelligenceionofVectsindifferentialEvolution作者姓名：趙朦指導(dǎo)教師：蔡奕僑蔡奕僑學(xué)科：計算機應(yīng)用技術(shù)計算機應(yīng)用技術(shù)研究方向：計算智能計算智能所在學(xué)院：計算機科學(xué)與技術(shù)學(xué)院計算機科學(xué)與技術(shù)學(xué)院論文提交日期：二零一七二零一七年三月七日摘

2、要I摘要在科技領(lǐng)域中，經(jīng)常會出現(xiàn)一些的全局優(yōu)化問題，而且這些優(yōu)化問題往往具有大規(guī)模、強約束、非線性、多目標(biāo)、建模困難等特點，這使得在使用傳統(tǒng)的優(yōu)化技術(shù)（如牛頓法、共軛梯度法等）進行計算時，效率十分低下，甚至無法求解。上個世紀(jì)中葉，專家學(xué)者從仿生學(xué)中得到靈感，進而產(chǎn)生了模擬生物特性的智能算法，而演化算法正是仿生“種群智能”的智能算法之一。差分演化算法作為演化算法中的一員，其具有簡單高效的特點，尤其擅長連續(xù)型數(shù)值優(yōu)化。因此，差分演化算法目前

3、應(yīng)用于解決各類工程問題。然而，差分演化算法同其他演化算法一樣，在優(yōu)化高維函數(shù)時，仍存在早熟、容易陷入局部解、難以設(shè)定控制參數(shù)等問題，其原因主要在于：(1)缺乏局部搜索能力，因此會導(dǎo)致后期收斂速度變慢，不能在較少適應(yīng)度函數(shù)評價次數(shù)下快速收斂出問題最優(yōu)解。(2)對縮放因子F和交叉率CR的設(shè)置十分敏感，不同的問題需要設(shè)置不同的值。(3)雖然存在有多種變異策略，但是對同一個問題性能各不相同，在選擇最優(yōu)變異策略上存在困難。為了克服這些問題，許多專

4、家學(xué)者為差分演化算法提供了多種改進方法，將其他算法與差分演化算相結(jié)合，解決差分演化算法的不足之處。本文致力于兩個方面的研究：(1)變異算子是差分演化算法的重要組成部分，然而傳統(tǒng)DE的變異算子中父個體選擇策略是基于均勻隨機分布的，這會導(dǎo)致所有的個體都有相同的概率參與變異過程，那么就不能保證最優(yōu)個體信息不被丟失。本文根據(jù)適應(yīng)度信息、拓?fù)湫畔?、距離信息來設(shè)計不同的父個體選擇策略，從而影響種群的演化過程。為了達到進一步平衡差分演化算法的挖掘能力

5、和探索能力，本文提出一種基于適應(yīng)度排序的差分演化算法——基于鄰域引導(dǎo)的差分演化算法（NGDE），并且為了進一步強化對高維多峰函數(shù)的挖掘能力，本文又基于個體相似度設(shè)計了基于父個體智能選擇機制的差分演化算法。(2)由于傳統(tǒng)的差分演化算法的變異算子是固定的，這樣會導(dǎo)致算法缺少靈活性，只對某些問題的優(yōu)化效果較好，而對其他問題的優(yōu)化效果較差。為了解決這個問題，本文提出了一種局部模型預(yù)測算子(LMD)，根據(jù)種群所在的區(qū)域的陡峭情況，來判斷這個區(qū)域是