一种求解约束优化问题的差分进化算法1.docVIP

豆丁标准与论文网：/week114 - - 豆丁标准与论文网：/week114 一种求解约束优化问题的差分进化算法1 刘若辰，李勇，焦李成 智能感知与图像理解教育部重点实验室，西安电子科技大学智能信息处理研究所， 西安（） E-mail HYPERLINK mailto:ruocheenliu@ ：ruocheenliu@ 摘 要: 基于差分进化算法的相关理论以及随机排序约束处理方法, 本文提出了一种新的 基于差分进化算法来解决约束优化问题. 该算法对种群的进化采用了随机保留次优解的策 略, 有效的提高了种群多样性. 对 13 个标准测试问题的测试结果表明, 与动态惩罚函数的进 化算法、人工免疫响应约束进化策略、可行性规则的差分进化算法以及采用随机排序的进化 策略相比, 新算法在收敛速度和求解精度上均具有一定的优势. 关键词: 差分进化算法; 约束优化; 随机排序 中图法分类号：TP18 文献标识码: A 1 引言 近年来，进化算法已经被成功的运用在广泛的工程领域]，其中包括无约束和约束优化 [1-4]。目前进化计算用于无约束优化问题的文献居多，而对约束优化问题的研究相对较少， 如何处理约束条件是进化计算解决约束优化问题的主要问题，Michalewicz[5, 6]将现有的约束 优化进化算法分成 4 类：保存可行解方法、罚函数法、可行解优于不可行解方法以及其它混 合方法。其中，罚函数法是最常用的处理约束条件的方法，但是传统的罚函数法对罚参数有 很强的依赖性[7]，为解决这一问题，很多学者提出了新的改进方法，文献[4]详细给出近年来 相关领域的工作的回顾，Runarsson 等提出了随机排序处理约束的方法[8]，通过引入一个随 机数来达到平衡目标函数和约束函数的目的，获得了良好的效果，为进化计算求解约束问题 提供了新思路。 差分进化(Differential Evolution, indicated by DE)是一种新兴的进化计算技术，是由 Storn 和 Price 于 1995 年提出的[9]，此后，DE 算法及其各种改进算法相继提出[10-13]。DE 算法是 基于种群智能理论的优化算法，具有记忆个体最优解和种群内信息共享的特点，其采用实数 编码，基于差分的变异操作和一对一的竞争生存策略。本质上，DE 算法是一种基于实数编 码的具有保优思想的贪婪遗传算法。目前，DE 算法已在诸如优化、人工神经网络、信息处 理等多个领域取得成功，但对于约束优化问题，DE 算法与其他的进化算法一样面临如何处 理约束的问题。 本文基于差分进化算法的相关理论以及随机排序约束处理方法，提出了一种新的基于差 分进化算法来解决约束优化问题的算法—随机排序差分进化算法(Stochastic Ranking based Differential Evolution Algorithm, indicated by SRDEA)，算法中，进化策略采用的差分进化， 不同于传统的差分进化计算的是在提出的算法中采用的是全局择优选择策略，约束的处理采 用了随机排序约束处理方法。通过13个标准测试问题对算法的性能进行了全面测试，测试结 果与目前比较典型的四个算法诸如采用动态惩罚函数的进化策略(Evolutionary Algorithm based on Homomorphous Maps, indicated by EAHM）[14]、采用人工免疫响应约束进化策略[15] (Artificial Immune Response Constrained Evolutionary Strategy, indicated by AIRCES)、采用可 1本课题得到国家自然科学基金(, , )和国家教育部博士点基金()的 资助。 行性规则的差分进化算法[16] (Constraint Handling Differential Evolution, indicated by CHDE) 以及 采用随机排序的进化策略[8] (ES with Stochastic Ranking, indicated by ESSR)进行了比 较，结果表明，对大部分约束问题，SRDEA算法在加速收敛的同时可提高解的精度。 本文的结构安排如下：第二部分简单介绍约束优化问题的定义；第三部分给出基本差分 进化算法的步骤及其相关的改进算法，并简要回顾近年来差分进化算法在约束优化问题的相 关工作；第四部分介绍本文提出的算法；第五部分是实验部分，分为两个子部分，首先通过 对13个标准约束优化问题的测试，比较本文算法和目前比较好的四个处理约束优化问题的进 化算法来验证算法的性能，另外分析算法中的几个重要参数对算法性能的影响，给出它们各 自的合理的取值范围；最后简单给出结论，并指出未