10.9 差分进化算法.ppt

10.9差分进化算法差分进化（DifferentialEvolution，DE）算法是模拟自然界生物种群以“优胜劣汰、适者生存”为原则的进化发展规律而形成的一种随机启发式搜索算法，是一种新兴的进化计算技术。它于1995年由RainerStorn和KennethPrice提出[22]。由于其简单易用、稳健性好以及强大的全局搜索能力，使得差分进化算法已在多个领域取得成功。差分进化算法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操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性,且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题，采用差分进化算法可实现复杂系统的参数辨识[23]。实验结果表明，差分进化算法的性能优于其它进化算法，该算法已成为一种求解非线性、不可微、多极值和高维的复杂函数的一种有效和鲁棒的方法。10.9.1标准差分进化算法差分进化算法是基于群体智能理论的优化算法，通过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。它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操作和一对一的竞争生存策略，降低了遗传操作的复杂性，同时它特有的记忆能力使其可以动态跟踪当前的搜索情况已调整其搜索策略。具有较强的全局收敛能力和鲁棒性。差分进化算法的主要优点可以总结为以下三点：待定参数少；不易陷入局部最优；收敛速度快。差分进化算法根据父代个体间的差分矢量进行变异、交叉和选择操作，其基本思想是从某一随机产生的初始群体开始，通过把种群中任意两个个体的向量差加权后按一定的规则与第三个个体求和来产生新个体，然后将新个体与当代种群中某个预先决定的个体相比较，如果新个体的适应度值优于与之相比较的个体的适应度值，则在下一代中就用新个体取代旧个体，否则旧个体仍保存下来，通过不断地迭代运算，保留优良个体，淘汰劣质个体，引导搜索过程向最优解逼近。在优化设计中，差分进化算法与传统的优化方法相比，具有以下主要特点：(1)差分进化算法从一个群体即多个点而不是从一个点开始搜索，这是它能以较大的概率找到整体最优解的主要原因；(2)差分进化算法的进化准则是基于适应性信息的，无须借助其它辅助性信息（如要求函数可导或连续），大大地扩展了其应用范围；(3)差分进化算法具有内在的并行性，这使得它非常适用于大规模并行分布处理，减小时间成本开销；(4)差分进化算法采用概率转移规则，不需要确定性的规则。10.9.2差分进化算法的基本流程差分进化算法是基于实数编码的进化算法，整体结构上与其它进化算法类似，由变异、交叉和选择三个基本操作构成。标准差分进化算法主要包括以下4个步骤：（1）生成初始群体在n维空间里随机产生满足约束条件的M个个体，实施措施如下：(10.13)其中xijU和xijL分别是第j个染色体的上界和下界，randij(0,1)是[0,1]之间的随机小数。（2）变异操作从群体中随机选择3个个体xp1,xp2和xp3，且i≠p1≠p2≠p3，则基本的变异操作为(10.14)如果无局部优化问题，变异操作可写为(10.15)其中xp2j(t)-xp3j(t)为差异化向量，此差分操作是差分进化算法的关键，F为缩放因子，p1,p2,p3为随机整数，表示个体在种群中的序号，xbj(t)为当前代中种群中最好的个体。由于式（10.15）借鉴了当前种群中最好的个体信息，可加快收敛速度。（3）交叉操作交叉操作是为了增加群体的多样性，具体操作如下：(10.16)