基于抽象凸估计选择策略的差分进化算法.pdfVIP

基于抽象凸估计选择策略的差分进化算法

周晓根;张贵军;梅珊;明洁

【摘要】针对传统差分进化算法计算代价、可靠性及收敛速度的问题,提出一种基

于抽象凸估计选择策略的差分进化算法(DEUS).首先,通过提取新个体的邻近个体建

立局部抽象凸下界松弛模型;然后,利用下界松弛模型估计目标函数值来指导种群更

新,同时利用下界估计区域极值点快速枚举算法系统排除部分无效区域;最后,借助线

性拟凸包络的广义下降方向有效地实现局部增强.12个标准测试函数的实验结果表

明,所提算法计算代价、可靠性及收敛速度均优于DE及DERL,DELB,SaDE等改进

算法.

【期刊名称】《控制理论与应用》

【年(卷),期】2015(032)003

【总页数】10页(P388-397)

【关键词】差分进化;全局优化;下界估计;抽象凸;支撑向量

【作者】周晓根;张贵军;梅珊;明洁

【作者单位】浙江工业大学信息工程学院,浙江杭州310023;浙江工业大学信息工

程学院,浙江杭州310023;浙江工业大学信息工程学院,浙江杭州310023;浙江工业

大学信息工程学院,浙江杭州310023

【正文语种】中文

【中图分类】TP391

全局优化作为最优化学科领域中一个独立的学科分支,已成为人们研究实际问题时

进行建模和分析的重要手段之一.在科学、经济和工程中,如机械设计、生物信息学、

环境工程、化学工程设计和控制以及图形处理等,许多进展都依赖于计算相应优化

问题的全局最优解的数值技术.同时,随着工程优化问题的规模增大,优化问题的目标

函数的性态也变得越来越复杂,通常是不连续、不可微、高度非线性的,没有明确的

解析表达式,且具有多个峰值、多目标的特征.因此,解决复杂的优化问题已成为当前

计算机科学和优化领域的一个挑战性课题[1].

进化算法是基于自然选择和遗传等生物进化机制的一种随机搜索算法,已被成功用

于求解各种优化问题.典型的进化算法包括差分进化算法(DE)[2]、遗传算法(GA)[3]、

进化策略(ES)[4]、进化规划(EP)[5]以及粒子群算法(PSO)[6]等,这些算法不需要导

数信息,对函数的性态没有要求,而且适用范围广、鲁棒性强.Storn和Price[2]提出

的DE算法,已经被证明是进化算法中简单而最高效的随机性全局优化算法,DE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,具有算法通用,不依

赖于问题信息,原理简单,易于实现,记忆个体最优解和种群内信息共享以及较强的全

局收敛能力等特点,虽然在通信、电力系统、化工、光学、生物信息学、模式识别

及机械工程等领域的广泛应用中展现出了其独特的优势[7–8],但是也暴露出诸多不

足和缺陷,如计算代价(如函数评价次数)较高,收敛速度较慢,极易陷于局部最优解,可

靠性较低[9].

为了提高DE算法的性能,国内外学者相继提出了一些改进算法.针对DE算法计算

代价较高的问题,Ali等[10]提出基于锦标赛机制的改进算法(DERL)和采用反射与收

缩算子的改进算法(DELB),以改善计算代价问题;Qin等[11]利用均匀分布对变异率

和交叉率进行了调整,提出一种自适应差分进化算法(SaDE),通过一种学习过程来自

适应调整变异策略及其参数,从而使得进化过程的不同阶段自适应的调整变异策略

及参数,以降低算法的计算代价;Gao等[12]提出一种基于混沌系统的混合差分进化

算法(CS–DE1),首先通过一种混沌系统初始化种群,使得个体尽量分散,然后对DE算

法迭代一定的次数,找出当前种群中的最优个体,再从此最优个体出发执行Nelder-

Mead单纯形搜索,将种群中一半的较差个体重新初始化,从而降低算法的计算代价.

针对DE算法收敛速度较慢的问题,Chiou等[13]提出一种基于蚁群方向的混合差分

进化算法(ADHDE),利用蚁群搜索算法实时地从多种变异算子中为DE选择合适的

变异操作算子,从而加快算法的收敛速度;Bhattacharya等[14]将差分进化算法与

生物地理学优化算法结合(DE/BBO),利用BBO算法的迁移和变异操作来提高DE

算法的搜索能力,以加快算法的收敛速度;Elsayed等[15]提出一种新的改进自适应

差分进化算法(ISAMODE–CMA),将种群分成很多亚种群,对每个亚种群设置相应的

进化策略和交叉参数,并引入一种学习策略来自适应调整每个亚种群的种群规