李丽蓉，高卫峰

（1.山西警官高等专科学校 计算机科学与技术系，山西 太原030021；2.西安电子科技大学 应用数学系，陕西 西安710071）

0 引 言

差分进化（DE）算法［1］是继遗传算法、蚁群算法之后的又一种新兴的群体智能优化算法。与其他进化算法一样，DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存下来。由于该算法结构简单、易于实现、无需梯度信息、参数较少等特点，一经提出便受到众多学者的关注和研究，并在滤波器设计、PID控制、图像分割以及其他科学或工程应用方面［2－4］得到广泛应用。

然而，与其他智能算法类似，DE也存在易于过早陷入局部最优点，进化后期收敛速度慢，对过于复杂的问题可能搜索不到最优解，计算精度不高等问题。针对这些缺点，学者们提出了多种改进策略［5－15］来优化DE的性能。其中，文献 ［5］引入3种变异策略和适当的控制参数，以提高DE的性能；文献 ［6］给出了优先交叉DE，利用变异产生的个体的概率密度函数分析了缩放比例参数的缺陷，并提出了优先交叉准则以弥补缺陷；文献 ［7］采用正交设计的方法加速DE的收敛速度，从而提高了DE的寻优性能；文献 ［8］对DE算法加入了惩罚函数，从而使其较好地应用于具有约束条件的优化环境。文献 ［9］提出了趋药性差分进化算法（CDE），在一定程度上提高了DE的性能，但并不能彻底解决早熟现象和收敛速度慢的问题。

本文在CDE算法的基础上，融合遗传算法的变异杂交机制。对一半的较优个体进行变异操作，以提高种群的多样性，从而避免早熟；……