混合多种群自适应Memetic差分进化算法.docVIP

混合多种群自适应Memetic差分进化算法 　　摘 要：基本差分进化算法（Differential Evolution，DE）是一种实用性强、简单高效的群智能优化算法，但DE算法同样可能存在着其他群智能优化算法共同存在的缺点，如早熟收敛、易陷入局部最优解等。针对以上问题，文章提出一种Memetic算法，通过改进种群初始化方法和引入邻域搜索算子来增强种群的多样性，通过多种群间的信息交互，保证算法有效跳出局部极值点。通过引入自适应算子，对交叉概率因子和缩放因子进行自适应调整，保证算法具有较高的收敛速度。仿真实验结果表明，HMADE算法可解决标准差分进化算法后期收敛停滞的问题。 　　关键词：差分进化算法；Memetic算法；自适应算子；邻域搜索；多种群 　　1 概述 　　随着信息技术的快速发展以及人们对生命本质的不断探索，越来越多的复杂优化问题得以解决。但对于具有多极值、非线性等特点的组合优化问题及复杂函数而言，经典优化算法往往显得无能为力。 　　1995年，美国学者R.Storn和K.Price提出了一种基于群体差异的群智能算法――差分进化算法[1]。DE算法模拟生物学中随机进化模型，通过种群初始化，交叉、变异、选择等使优势个体得以保留和遗传下去。DE算法是一种具有全局搜索的群智能优化算法，编解码简单，易建模，具有较强的鲁棒性和全局搜索能力。 　　目前DE算法是计算