基于新型变异策略的差分进化算法.pdfVIP

基于新型变异策略的差分进化算法--第1页

基于新型变异策略的差分进化算法

宋锦;师玉娇;高浩;王保云

【摘要】为加快算法的收敛速度和寻优能力，将粒子群算法和差分进化算法的优

点结合起来，提出一种混合差分进化算法。在此基础之上引入一种新型的变异策略

(包括全局变异和局部变异两种)，平衡算法的全局搜索能力和收敛速度。采用大量

标准测试函数对多种比较算法进行实验，实验结果表明，相比其它进化算法，改进

以后的差分进化算法可以达到更快的收敛速度和更高的寻优精度，可以广泛应用于

工业及生产领域。%BycombingthemeritsofPSOandDE,ahybridDE

algorithmwaspresentedforacceleratingitsconvergencespeedand

improvingitssearchability.Andanovelmutationstrategywithlocaland

globalsearchoperatorswasproposedforbalancingtheexplorationability

andtheconvergencerateoftheimprovedDE.Theproposedalgorithmwas

appliedtoasetofbenchmarktestproblemsandcomparedwithbasicPSO

andDEalgorithmsandtheirvariants.Experimentalresultsdemonstratethe

pro-posedalgorithmshowsbetterimprovementsonmosttestissues,and

itcanbeappliedtotheindustrialfield.

【期刊名称】《计算机工程与设计》

【年(卷),期】2016(037)005

【总页数】6页(P1285-1290)

【关键词】差分进化算法;粒子群优化算法;全局搜索能力;收敛速度;变异策略

【作者】宋锦;师玉娇;高浩;王保云

基于新型变异策略的差分进化算法--第1页

基于新型变异策略的差分进化算法--第2页

【作者单位】南京信息职业技术学院通信学院，江苏南京210046;南京邮电大学

自动化学院，江苏南京210023;南京邮电大学自动化学院，江苏南京210023;南

京邮电大学自动化学院，江苏南京210023;南京邮电大学自动化学院，江苏南

京210023

【正文语种】中文

【中图分类】TP18

当处理很多有挑战的优化问题时，差分进化算法[1,2]已经被证明了突出的表现能

力。然而，与标准的粒子群算法[3](PSO)相比，差分进化算法经常表现出较慢的收

敛速度。本文将标准差分进化算法的迭代公式和rand-to-best迭代策略结合起来，

引入整个种群记忆的最优信息(gbest)，提出了一种基于gbest引导的GDE算法

(differentialevolutionwithgbestleadingstrategy)，在此基础之上加入两种变

异策略(全局变异和局部变异)以加强算法的全局和局部搜索能力，称之为

MGDE(GDEalgorithmwithmutationstrategy)。这种改进算法在测试函数中取

得了良好的成绩。

对于优化问题而言，差分进化算法具有简单易实现的特点，近年来受到越来越多的

关注。在差分进化算法中，首先在搜索空间初始化一个固定个体数目的种群，种群

中的每个个体，称为目标向量，经过变异，交叉和选择3个操作产生一个新的向

量。整个种群在搜索空间中随机搜索，利用3个随机