论文部分内容阅读
差分进化算法(DE)是一种简单高效的优化算法,但是DE收敛精度不高,容易陷入局部最优,本文提出了一种改进的差分进化算法一基于Alopex的自适应差分进化算法(IDE)。IDE算法引入自适应模式抽取的概念,用差分策略产生新个体后,运用自适应A1opex算法,通过噪声策略以及之前的学习经验,自适应调整步长,搜索当前最优解附近的区域,然后采用记忆选择的方式,使得新个体可以按照比较好的进化方向进化,从而克服了DE的缺点。
为说明算法的性能,首先,通过一系列的标准测试函数的测试,测试结果表明IDE算法不仅克服了DE的缺点,而且具有更好的全局寻优能力,能搜索到全局最优解,且局部搜索能力强,获得最优解的精度高。其次,将IDE和自适应学习速率的BP神经网络相结合的学习法,运用改进的差分进化法来寻找满意的神经网络参数;调用自适应学习速率的LM法精调网络参数。某大型裂解炉裂解深度模型的仿真结果表明,所建模型的提高了精度。最后,将改进的算法,运用到动力学参数估计中,取得了比较好的效果。