引導聚類的多層次差分演化算法研究.pdf

1、差分演化(Differential Evolution)算法是一種用于解決全局優(yōu)化的經典演化算法，已經成功應用于解決一系列工程問題，但是差分演化算法也有一定的弱勢，特別是在全局優(yōu)化需要有限數(shù)量的適應度函數(shù)評估次數(shù)來定位全局最優(yōu)解的情況下。在現(xiàn)實生活中，聚類算法在信息的歸類方面應用頻率頗高，為了更進一步提高差分演化算法的性能，我們嘗試著用聚類算法對差分演化算法做進一步不同的優(yōu)化，論文主要創(chuàng)新點如下：
　?。?）提出了聚類的復合差分演

2、化算法，擺脫了傳統(tǒng)差分演化算法中控制參數(shù)和試驗向量生成策略單一的弱點，并且優(yōu)化過程中的聚類算法更有效的利用了種群信息，從而提高算法的優(yōu)化性能以及魯棒性。差分演化算法中的試驗向量生成策略以及控制參數(shù)的特點已經被廣泛研究，這些先有知識可以用于設計更有效和魯棒性更強的差分演化變體算法，但是在一些自適應差分演化算法和一些這方面的變體算法中，為每一個目標向量僅使用一個試驗向量生成策略和一組控制參數(shù)設置，為了沖破這種方式給算法搜索能力所帶來的限制，

3、本文提出了一種聚類的復合差分演化算法。
　　（2）提出了引導聚類的差分演化算法，克服了傳統(tǒng)基于聚類的差分演化算法中的隨機和盲目性，引導聚類的差分演化算法中的引導聚類方法不僅基于輸入數(shù)據，而且基于輸出適應度值，更特殊的是，當聚類過程中沒有考慮到適應度值時，聚類方式會轉換成普通的聚類算法過程，研究中通過數(shù)學實例證明了引導聚類算法的優(yōu)勢，在國際標準函數(shù)上的仿真實驗表明，引導聚類的差分演化算法在優(yōu)化性能和收斂速度上優(yōu)于基于聚類的差分演化算