差分进化算法.docxVIP

差分进化算法 背景及研究进展 The background research progress of Differential Evolution Algorithm 第六组：周唯 韩佳伟 张越 唐昊 魏扬帆 季周历 俞鹏 尤政 颜炳弘 背景及意义 差分进化算法（DE）于1994年由 Rainer Storn Kenneth Price 在遗传算法等进化思想的基础上针对参数优化设计提出， 本质是一种多目标（连续变量）优化算法，用于求解多维空间中整体最优解。 背景及意义 容量分配问题 目标 最小化网络成本参数 线路容量 约束 终端间平均数据延迟4ms 线路成本与容量间的非线性函数 终端平均传输速率64kb/s 平均信息长度为1000bit 背景及意义 DE和遗传算法(GA) 基于群体智能理论 群体内个体间的合作与竞争产生的群体智能指导优化搜索 保留了基于种群的全局搜索策略 采用实数编码、基于差分的简单变异 一对一的竞争生存策略，降低了遗传操作的复杂性 记忆能力与动态跟踪 具有较强的全局收敛能力和鲁棒性 解决了步长问题 适于求解复杂环境中的优化问题 背景及意义 差分进化算法 杂交 (crossover) 适应度值 变异 (mutation) 遗传退火算法 父代差分向量 复制 (reproduction) 标准差分进化算法 DE的群体由突变和选择过程驱动。 突变过程：包括突变和交叉操作，用于利用或探索搜索空间 选择过程：用于确保有希望的个体的信息可以进一步利用 标准差分进化算法 标号 p1 p2 p3 p4 值 （0,0） （2,1） （1,2） （2,2） 0 = 1 + 2 ? 3 , = 1 变异： 0 = 2,1 + 1 × 1,2 ? 1,1 0 = (2,2) = 0 = (2,2) , = 0.5 0 = (0,0) 交叉： 0 = (2,0) ( ) = 12 + 22 选择： 1 ( 0) = 4 标准差分进化算法 种群初始化： 在解空间中随机均匀产生M个个体，每个个体均为n维向量 (0) = ,1(0), ,2(0), ,3(0). . . , (0 , = 1,2,3. . . 群体规模M：一般介于5×n与10×n之 间，但不能少于4×n 第i个个体的第j维值取值方式： , (0) = _min + (0,1)( _max ? _min = 1,2,3, . . . , = 1,2,3, . . . , 标准差分进化算法 变异操作: 在第g次迭代中，从种群中随机选择3个个体 1 , 2 , 3 ，且 1 ≠ 2 ≠ 3 ≠ 则差分向量： 2, 3( ) = 2( ) ? 3( 生成的变异向量为： ( ) = 1( ) + · ( 2( ) ? 3( ) 其中，F是缩放因子，一般在[0,2]之间选择 标准差分进化算法 交叉操作: = , ( ), (0,1) ≤ , ( ), 其中 ∈[0,1]为交叉概率。 标准差分进化算法 选择操作: ( + 1) = ( ), ( ( )) ( ( )) 对于每个个体， ( + 1)要好于或持平于 ( ),通过变异，交叉，选择达到全部最优 标准差分进化算法 , (0) = _min + (0,1)( _max ? _min 2, 3( ) = 2( ) ? 3( = 1,2,3, . . . , 标准差分进化算法 ( ) = 1( ) + · ( 2( ) ? 3( ) ( + 1) = ( ), ( ( )) ( ( )) 差分进化算法的发展 （1）改进DE的操作算子 1采用锦标赛选择机制 利用锦标赛竞争选择机制来选取进行变异操作的父代基向量，同时在试验个体和种群内最好个体之间的区域，利用反射和收缩操作来实施局部搜索。 = + ( (2) ? (3) 其中 是锦标赛选择下的最优， 是[-1，-0.4]U[0.4，1]的随机值。 差分进化算法的发展 2变异操作中参数F的自适应调整： 将变异算子中随机选择的三个个体进行从优到劣的排序，得到 , , 对应适应度 , , 变异算子改为： = + ( ? ) 同时，F的取值根据生成差分向量的两个个体自适应变化： = + ( ? ) ? = 0.1, = 0.9 差分进化算法的发展 3参数 的自适应调整： + ( ? ) ? min , ?, ：个体 的适应度 min 和 max ：当前种群最低和最优个 体的适应度 ：当前种群适应度平均值 和 ： 的下限与上限，一般取 =0.1, =0.6 差分进化算法