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。