原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
广义逆向学习方法的自适应差分算法.pdf
第 10卷第 1期 智 能 系 统 学 报 V01．10No．1
2015年 2月 CAAITransactionsonIntelligentSystems Feb．2015
— — — — — —
DOI：10．3969／j．issn．1673—4785．201310068
网络出版地址：http：／／www．cnki．net／kcms／detail／23．1538．．rP1130．007．html
广义逆向学习方法的 自适应差分算法
刘昌芬 ，韩红桂 ，乔俊飞
(1．北京工业大学 电子信息与控制工程学院，北京 100124；2．计算智能与智能系统北京市重点实验室，北京
100124)
摘 要：针对差分算法(differentialevolution，DE)在解决高维优化问题时参数设置复杂、选择变异策略困难的现象，
提出了广义逆向学习方法的 自适应差分进化算法 (self-adaptiveDEalgorithmviageneralizedopposition—basedlearning，
SDE—GOBL)。利用广义的逆向学习方法(generalizedopposition-basedlearning，GOBL)来进行多策略自适应差分算法
(Serf-adaptiveDE，SaDE)的初始化策略调整，求出各个候选解的相应逆向点，并在候选解和其逆向点中选择所需要
的最优初始种群，然后再进行自适应变异、杂交、选择操作 ，最后通过CEC2005国际竞赛所提供的9个标准测试 函数
对 SDE—GOBL算法进行验证 ，结果证明该算法具有较快的收敛速度和较高的求解精度。
关键词：差分算法 ；优化；自适应 ；逆向学习；收敛速度；精度 ；高维；初始化
中图分类号：TP18；0224 文献标志码 ：A 文章编号：1673—4785(2015)0l一0131—07
中文引用格式 ：刘 昌芬，韩红桂 ，乔俊飞．基于广义逆 向学习方法的自适应差分算法 [J]．智能系统学报，2015，10(1)：131-137．
英文引用格式 ：LIUChang~n，HANHonggui，QIAOJunfei．Self-adaptiveDEalgorithmviageneralizedopposition-basedlearning
[J]．CAAITransactionsonIntelligentSystems。2015。10(1)：131·137．
Self-adaptiveDE algorithm viageneralizedopposition-based learning
LIUChangfen一，HANHonggui ，QIAOJunfei，
(1．CollegeofElectronicandControlEngineering，BeijingUniversityofTechnology，Beijing100124，China；2．BeijingKeyLaboratory
ofComputationalIntelligenceandIntelligenceSystem，Beijing100124，China)
Abstract：Theproblem relatedtodefectsofcomplexparametersettingand difficultselectionofmutationstrategies
existinginthedifferentialevolution(DE)algorithmwhensolvinghigh—dimensionaloptimizationproblemisstudied．
Thispaperproposedanew self-adaptiveDE algorithm bas
文档评论（0）