采用差分进化策略的入侵杂草改进算法及函数优化应用.pdfVIP

采用差分进化策略的入侵杂草改进算法及函数优化应用

李森;任晓娜

【摘要】针对入侵杂草优化算法易出现早熟且收敛速度较慢的问题,提出一种具有

差分进化策略的入侵杂草算法.利用差分进化策略较强的开发能力,对种子进行交叉

变异选择操作以帮助算法跳出局部最优;同时,为了提高算法的收敛速度和种群多样

性,提出对杂草进行初始化并采用基于混沌反向学习的初始化方法.对8个标准测试

函数进行的仿真实验表明:与标准杂草优化、差分进化及混合杂草优化算法相比,提

出的改进算法具有较快的收敛速度、较高的收敛精度及较强的搜索全局最优解的能

力.

【期刊名称】《计算机应用与软件》

【年(卷),期】2014(031)006

【总页数】4页(P285-288)

【关键词】入侵杂草优化;混沌;反向学习;差分进化策略;函数优化

【作者】李森;任晓娜

【作者单位】河南工业职业技术学院网络管理中心河南南阳473000;河南工业职

业技术学院网络管理中心河南南阳473000

【正文语种】中文

【中图分类】TP18

0引言

Mehrabian等［1］于2006提出的入侵杂草算法IWO(InvasiveWeed

Optimization)，是继差分进化算法［2］、人工蜂群算法［3］后的又一新优化算

法。因其具有鲁棒性强、易于实现和操作简便等优点，一经提出便受到众多学者的

关注和研究，并在DNA序列计算［4］、无线网络［5］、图像聚类［6］等领域。

然而，与其他智能算法类似，标准IWO算法也存在易于陷入局部最优、进化后期

收敛速度较慢以及收敛精度不高等问题。

针对上述问题，文献［7］在算法后期引入了交叉算子;文献［8］将IWO算法与

粒子群算法相结合提出了混合IWO算法;文献［9］将轮盘赌机制引入算法中，都

在一定程度上改善了算法的搜索精度，但仍然易于陷入局部最优且收敛速度不高。

为此，本文通过深入研究，借鉴差分进化算法中的变异、交叉和选择算子以，结合

反学习和混沌思想，提出了一种具有差分进化策略的入侵杂草优化

IWOSDE(InvasiveWeedOptimizationAlgorithmbasedonStrategyof

DifferentialEvolution)改进算法。通过对8个标准测试函数的仿真实验验证了改

进算法的性能。

1入侵杂草优化算法

标准IWO算法是模拟自然界中杂草在种群空间中扩散、生长、繁殖和生存竞争的

进化寻优过程，其中种群是所有杂草的集合，杂草表示问题的可行解，种子是杂草

的后代。在这一过程中，杂草主要根据适应度值的大小产生种子，适应度值大则所

产种子越多，所产生的种子以正态分布的步长分布在该杂草周围，随着进化代数的

增加，步长逐渐减小，最后通过评估杂草和种子的适应度值，选出较优的结果，可

以概括为以下3种操作:

1)繁殖操作。对于随机所产生的各个D维杂草xi(i=1，2，…，N)，根据其繁殖能

力(适应度值)产生种子，其中种子个数为:

其中，f(xi)是杂草xi的适应度值，fmin和fmax是当前种群中所对应的最小和最

大适应度值;smin和smax分别是一个杂草所能产生种子的最小和最大个数。

2)空间扩散操作。为增加种群的多样性及搜索精度，每个杂草周围产生服从N(0，

σ)的正态分布的种子，σ按式(2)计算:

其中itermax是最大进化代数，iter是当前进化代数，σinitial和σfinal是标准偏

差的最初值和最终值，n为非线性调和因子，一般情况下n=3。

3)竞争生存操作。在算法进行过程中，当种群规模大于最大种群规模P_Max后，

种群中杂草和种子按适应度值大小进行排序，选取较好的前P_Max，淘汰其余个

体。

2具有差分进化策略的IWO算法

通过对标准IWO算法基本操作的分析可知，该算法在繁殖进化的寻优过程中，首

先利用产生随机数的方法产生杂草，大大减小了种群的多样性及随机性;同时算法

在进化后期，由于扩散空间逐渐减小，容易陷入局部最优。针对上述问题，本文首

先提出了混沌反向学习的方法对IWO算法进行初始化，同时结合差分进化算法的

变异交叉选择操作对IWO算法的竞争生存操作进行改进，在提高种群的多样性的

同时，改善了算法的开发能力。

2.1混沌反向学习初始化

对于群集智能优化算法，种群的多样化程度直接影响着算法的全局收敛精度及收敛

速度，而种群的初始化方法对种群多样性具有较大影响［10］