论文部分内容阅读
在自然科学和工程应用领域中存在大量约束优化问题,这些约束优化问题因常常含有多种不同类型的非线性约束条件、多模目标函数以及凹可行域而变得非常复杂。因此,对约束优化问题的研究具有非常重要的理论和实际意义。此外,在现实世界中还存在大量的复杂系统,这些复杂系统往往被转化为复杂网络进行处理。然而,这些复杂网络通常含有大量节点并具有非常复杂的拓扑结构,往往难以对其进行有效的分析和处理。复杂网络通常具有明显的社区结构,对复杂网络社区探测问题的研究对于分析复杂网络的拓扑结构和功能具有重要的理论意义和实用价值,是复杂网络分析领域中的研究热点。近年来,差异进化算法因其优秀的搜索性能而受到广泛关注并在众多领域中得到大量应用。本文旨在基于差异进化算法对约束优化问题和复杂网络社区探测问题的求解展开研究,主要工作概括如下：1.(μ+λ)-CDE算法是最近提出的一个优秀的基于差异进化算法的约束优化进化算法。然而该算法需要在进化过程中动态改变等式约束条件的容忍值,并且容忍值的初始值和变化率都依赖于问题。为了克服上述缺陷,本文对(μ+λ)-CDE算法进行了改进,提出了一个改进的差异进化算法——ICDE算法以求解约束优化问题。CDE算法主要由一个改进的差异进化算法(IDE)和一个新颖的基于存档的自适应均衡模型(ArATM)构成。其中,IDE使用多个变异策略和二项式交叉策略产生后代个体。ArATM根据种群在进化过程中可能出现的三种不同情形(即不可行情形、半可行情形和可行情形)设计了三种不同的约束处理机制。其中,ArATM在处理不可行情形的约束处理机制中采用了一个非劣个体分层选择机制和一个个体存档机制,并在处理半可行情形的约束处理机制中设计了一个基于组合种群的可行解比例的适应性的适应度函数转换机制。基于在2006年的IEEE进化计算会议中提出的24个标准测试函数,本文对ICDE算法的性能进行了测试。实验结果表明,ICDE算法不仅克服了(μ+λ)-CDE算法的上述缺陷,而且具有比其它约束优化进化算法更加优秀的性能。2.针对复杂网络社区探测问题,本文提出了一个基于差异进化算法的复杂网络社区探测算法—-DECD算法。DECD算法使用差异进化算法作为搜索算法并采用网络模块化函数作为适应度函数来搜索复杂网络中的社区结构。另外,DECD算法设计了一个改进的二项式交叉策略以在进化过程中有效地传递一些与社区结构相关的重要信息。此外,DECD算法还采用了一个偏好操作和一个纠错操作以改善探测到的网络社区划分的质量。与传统的复杂网络社区探测算法相比,DECD算法在对复杂网络的社区结构进行探测时不需要任何与社区结构相关的先验知识,对那些无法获得先验知识的实际复杂网络的社区结构也能够进行有效探测。基于多个人工网络和实际网络,本文对DECD算法的性能进行了测试。实验结果表明,DECD算法具有比其它社区探测算法更加优秀的社区探测性能。