Tag Archives: 差分进化算法

多进化模式协作的差分进化算法

差分进化算法存在多种进化模式(亦称为有多种变异策略),其一般表示形式为DE/x/y/z,各种进化模式存在着性能上的差异,每一类进化模式既有各自的优势,也存在着不足,不能简单地说哪一类模式绝对地好,哪一类模式绝对的差。同时各模式还具有共性特征,即它们产生新个体的均为基准个体与差异向量的线性组合,这使得各模式可以统一处理,便于模式间的协作进化。
阅读全文 >

自适应算法参数的差分进化算法

差分进化算法有两个重要的算法参数缩放因子F与交叉因子CR,这两个参数的设置对算法性能的影响很大,不恰当的参数可能导致算法的收敛与局部解或者收敛速度极慢。如何确定这两个参数是一个重要的问题,水文工具集站点也给出了通过随机算法参数改进的简化差分进化算法这样的思路。这里将给出另外一种自适应的方法对算法参数进行改进。
阅读全文 >

引入局部搜索策略的差分进化算法

局部搜索算法是从一个初始解X出发,然后不断地在X的领域内搜索比X更好的解X’。如果找到比X更好的解,就用X’代替X,继续局部搜索;否则搜索结束。

引入局部搜索策略的差分进化算法的基本原理是在每一代中用DE搜索到的最佳个体Xbest,在Xbest的附近再进行k次局部搜索,得到k个个体,找到这k个个体中适应度最佳的个体Xkbest,若Xkbest适应度比Xbest更优,则用Xkbest替代Xbest,否则直接返回。在Xbest附近进行局部搜索用公式表示如下:
阅读全文 >

双种群双策略并行差分进化算法

基本差分进化算法中提供了多种变异策略,各种变异策略对智能算法的作用各异,有的探索(全局搜索)能力强,但收敛速度慢,如DE/rand/1/bin变异策略。而像DE/best/2/bin变异策略,开采(局部搜索)能力强,精度高,收敛速度快,但又会加大算法陷入局部最优点的可能性。因此提出一种采用双种群双策略并行差分进化算法。
阅读全文 >

混合变异策略的差分进化算法

差分进化算法中有许多变异策略(综合为X/Y/Z),使用单一的变异策略往往对算法参数依赖性较强,这些变异策略中有的探索(全局搜索)能力较强,有的开采(局部搜索)能力较强,因此可以使用混合策略对其进行改进,前期可以较多的使用探索能力强的变异策略,而后期较大概率应用开采能力强的策略,这样便可以综合利用相应变异策略的作用,提高算法的效率,除了采用随机选择变异策略的方式外,还可以对各种变异策略对优化问题的贡献进行统计后,依据各策略的贡献不同达到自适应协调各变异策略。

通过随机算法参数改进的简化差分进化算法

差分进化算法是一种解决复杂优化问题的有效算法,但算法对使用的参数(包括缩放因子F[0,2]及交叉因子CR[0,1])相当敏感,不适当的算法参数的选择很大程度地影响着算法的性能。因此本文介绍几种算法参数的随机选取策略,不但可以减少对算法参数的敏感,而且简化了差分进化算法:
阅读全文 >

差分进化算法

差分进化算法(Differential Evolution, DE)是一种新兴的进化计算技术,或称为差分演化算法、微分进化算法、微分演化算法、差异演化算法。它是由Storn等人于1995年提出的,最初的设想是用于解决切比雪夫多项式问题,后来发现DE也是解决复杂优化问题的有效技术。
阅读全文 >