基于中心差分公式进化策略算法优化步长h求解数值微分.docVIP

基于中心差分公式的进化策略算法优化步长求解数值微分 夏慧明 (南京师范大学泰州学院, 泰州, 225300) 1 引 言 微积分学已经给出求函数导数的许多方法，但这些方法对一些实际问题往往难以实行。如实际问题常常将函数在一些离散点上的值用表格的形式给出，则求就不那么容易了。这种对列表函数求导的方法通常称为数值微分。本文主要是基于中心差分公式来求解数值微分的近似解。 进化策略(Evolution Strategies, ES)是由德国柏林技术大学的I.Rechenbery 和H.P. Schweful为研究风洞中的流体力子问题而提出的。进化策略的基本算法构成类似于遗传算法的构成形式，区别主要在于进化算子的不同选择。在遗传算法中主要采用交叉算子来产生新个体，而变异算子只是作为生成新个体的辅助手段。但在进化策略中则是主要采用变异来生成新个体，而交叉算子则较少使用。 文中利用进化策略算法来优化步长，通过对由进化策略产生的模型参数采用突变的方式产生新的参数，这样通过不断进化，直至得到最优的步长，将其代入中心差分公式得到近似微分值。实践证明该算法所求得的微分值精度较高、收敛速度较快。 2 中心差分公式 据数学分析中导数的定义，容易想到，当充分小时，可用差商近似导数，这是最简单的数值微分公式。 如果函数在点的左边和右边的值可计算，则最佳二点公式包含两边的两个对称的横坐标。 定理 2.1 [精度为的中心差分公式] 设，且， 则 (1) 而且存在数，满足 (2) 其中 (3) 项称为截断误差。 定理 2.2 [精度为的中心差分公式] 设，且，，则 (4) 而且存在数，满足 (5) 其中 (6) 用中心差分公式计算导数的近似值，必须选取合适的步长。因为，从中心差分公式的截断误差看，步长越小，计算结果就越精确，但从舍入误差的角度看，当很小时，与很接近，两相近数直接相减会造成有效数字的严重损失，精度降低，因此，步长又不易取的太小。因为，步长的优越性直接影响微分值的精度，所以，寻求出最优步长是非常有必要的。 3求解数值微分的进化策略算法(ESA) (1) 确定个体的表达方式：表达式中个体由目标变量和标准差两部分组成，因为步长是用随机生成的某一区间的两个端点的差的绝对值表示的，所以每部分个体有2个分量，分别代表区间的左端点与右端点，即。 (2) 随机生成初始群体：进化策略中初始群体由个个体组成，每一个个体包含2个分量。初始个体是随机生成的，初始个体的标准差。 (3) 计算适应度：将步长代入中心差分公式求出在点处的近似微分值，将所得的微分值与精确值进行作差，所得结果记为，若越接近于零，则微分值的近似程度越好，取适应度函数为，适应度值越接近1，微分值就越优，，终止条件选择一个很接近1的值，当适应度值大于时终止。 (4) 如果满足条件，则终止，此时选出最优步长及最优微分值。否则，继续向下进行训练学习。 (5) 根据进化策略，采用下述操作产生新群体： 5.1) 重组：从父代个体中随机取出两个个体，交换目标变量和随机因子，产生新个体。目标变量采用离散重组，随机因子采用黄金分割重组。 5.2) 突变：对重组后的个体添加随机量，采用柯西突变原则产生新个体。 5.3) 计算个体适应度。 5.4) 选择：采用选择策略，挑选优良的个体作为进化的结果。 (6) 反复执行第(5)步，直到满足终止条件，选择最佳的个体作为进化策略的结果，即所求的最优步长及最优微分值。 4 数值实例 为验证本文算法在求解数值微分时的正确性，取适应度函数，其中|近似值-精确值|。由上节算法思想可知，当的值越接近1时，则表示所得到的步长最优、微分值与精确值间的误差越小。以下各例均采用选择策略，其中取，，对于公式(1)以下各例中的终止条件均取为，对于公式(4)以下各例中的终止条件均取为。 例1：利用中心差分公式求在处的导数值。计算结果如表1所示。 表1最优步长及微分值 中心差分公式 公式(1) 公式(4) 最佳步长 5.176103238782592e-004 0.00368144253123 ESA法 0.28867513566901 0.28867513459467 精确值 0.28867513459481 0.28867513459481 误差 1.074200006723203e-009 -1.399991234052322e-