基于Memetic框架和改进DFP局部搜索改进差分进化算法.docVIP

基于Memetic框架和改进DFP局部搜索改进差分进化算法 　　摘要：为提高差分进化（DE）算法对性连续优化问题的求解能力、增强算法的适应性，提出了一种基于局部快速收敛算法的Memetic进化算法。改进了DavidonFletcherPowell方法，得到了具有强搜索能力的局部搜索算法――NDFP。当进化过程中出现具有优秀特质的个体时，NDFP可以使该个体沿着局部最优解的方向快速进化。为综合NDFP和DE的优势，提出局部搜索的执行策略来平衡全局搜索和局部搜索的关系，使得NDFP对DE的优化具有更为广泛的适应性。在CEC2005和CEC2013 Benchmark的53个测试函数上的实验结果表明，同DE/currenttobest/1、SaDE和EPSDE算法相比，NDFPDE进化算法具有更高的求解精度和稳定性。 　　关键词：Memetic框架；差分进化；局部搜索；DFP方法；近似梯度 　　中图分类号： TP18 　　文献标志码：A 　　Abstract： In order to improve the performance of Differential Evolution （DE） algorithm and extend its adaptability for solving continuous optimization problems， an enhanced DE algorithm was proposed by using efficient local search under the Memetic framework. Specifically， based on the DavidonFletcherPowell （DFP） method， an improved local search method named NDFP was put forward， which could speed up finding locally optimal solutions based on excellent individuals explored by the DE algorithm. Furthermore， a strategy on when and how to run the NDFP local search was also given， so as to strike a good balance between global search （i.e.， DE） and local search （i.e.， NDFP）. The proposed strategy was also enhanced the adaptability of NDFP local search in the range of DE algorithm. To verify the efficiency of the proposed algorithm， extensive simulation experiments were conducted on up to 53 test functions from CEC2005 and CEC2013 Benchmarks. The experimental results show that， compared with DE/currenttobest/1， SaDE and EPSDE algorithms， the proposed algorithm can achieve better performance in terms of both precision and stability. 　　Key words： Memetic framework； Differential Evolution （DE）； local search； DavidonFletcherPowell （DFP） method； approximate grad 　　0引言 　　差分进化（Differential Evolution， DE）算法是解决NP难问题的重要手段，在许多工程技术领域有着广泛的应用[1-2]。近年来，如何使DE算法具有更强的搜索能力和更好的稳定性成为进化计算领域的研究热点之一。文献[3-4]在传统DE的基础上引入了参数自适应方法，根据不同的问题特点自适应调整DE算法中的关键参数，从而提升了求解的精度。文献[5]提出JaDE算法，通过改进传统DE的交叉算子提高了求解质量。然而，这些改进仍未完全解决DE算法存在的不足，例如在求解一些连续优化问题时，会遭遇早熟收敛和进化停滞等问题，严重影响求解精度[6]。为此，学者们提出采用