论文部分内容阅读
差分进化算法是一种基于种群差异的进化算法,通过种群内个体间的合作与竞争来实现对优化问题的求解。对于单目标连续优化问题,差分进化算法有其自身的优势。然而,DE算法也存在着一些不足,如:搜索后期种群个体相似性极强,种群多样性较差、缺乏能够判断搜索陷入停滞的有效依据、变异策略局部能力弱、算法收敛速度慢等问题。本文在现有研究的基础上,提出基于方向信息的变异策略与基于伪梯度学习的变异策略,引入变异系数作为判断搜索是否陷入停滞或早熟收敛的有效依据,自适应调节控制参数。主要研究内容如下:(1)针对现有的变异策略存在优秀个体不能有效利用种群个体间的方向信息进行变异引导进化的缺点,算法在处理多峰函数与复杂函数时,往往很难收敛于全局最优解,本研究提出一种新的差分进化算法(Adaptive Differential Evolution Algorithm Based on Restart Mechanism and Direction Information,简写为ADERD)用以搜索连续空间中的全局最优解。ADERD提出了一种新的基于方向信息的变异策略,该策略可使优秀个体充分利用个体间的方向信息进行变异,引导进化找到更优解。在ADERD中,种群根据个体误差值被划分为两个子种群,只有排名靠前的个体使用新的变异策略进行变异。同时,首次使用变异系数判断搜索过程是否陷入停滞或算法已早熟收敛。为了验证ADERD提出改进措施的延展性,以上措施融合进其他两个自适应差分进化算法(JADE_rcr与JADE_sort)以提升其性能。改进后的JADE_sort算法表示为ADERD_sort。与国际上有影响力的其他差分进化算法相比,ADERD_sort算法在最优解的质量及稳定性上具备竞争力。(2)针对现有的变异策略不能利用种群个体间的有效移动加快收敛速度,存在收敛速度慢的缺点,对于一些特定的优化问题,算法易早熟收敛,本研究提出一种新的差分进化算法(Adaptive Differential Evolution Algorithm Based on Pseudo Gradient,简写为ADEPG)用以求解单目标连续优化问题。在ADEPG中,用伪梯度中的正向移动构造一种新的变异策略,加快收敛速度,减小处理多峰及混合函数时的误差。同时,ADEPG也使用了基于变异系数的重启机制,尽量避免搜索陷入停滞。实验结果表明,ADEPG中基于伪梯度的变异策略与基于变异系数的重启机制同样可以提升JADE_rcr算法的性能,并且ADEPG比其他经典算法在求解全局优化问题上具有更好的寻优效果。