武志峰，黄厚宽

（1.天津职业技术师范大学 信息技术工程学院，天津300222；2.北京交通大学 计算机与信息技术学院，北京100044）

0 引 言

差异演化 （differential evolution，DE）作为一种基于种群之间差异的演化算法，自1995年Storn和Price提出之后，就在数据挖掘、神经网络参数训练、滤波器设计、聚类分析、机器人路径规划等领域得到了广泛的应用［1－9］。

差异演化特别适合于求解非凸、多峰、非线性的函数优化问题。但和其它演化算法一样，差异演化算法控制参数的选择也是一个难题，不同的参数对算法的性能会产生较大的影响。差异演化算法中有3个主要参数：种群规模NP，缩放因子F和交叉因子CR。在原始差异演化算法中，这3个参数是保持不变的。对如何确定算法较好的控制参数人们仍然知之甚少［10］。对给定的具体优化问题，用户依然需要通过手工设置进行多次实验来确定最优的控制参数［11］。为克服手工设置控制参数带来的问题，人们提出了许多差 异 演 化 算 法 的 控 制 参 数 自 适 应 技 术［10，12－13］。文 献［10］提出一种调整控制参数的算法 （FADE算法），利用模糊逻辑动态调整缩放因子F和交叉因子CR。J.Brest等在文献 ［12］中提出一种新的自适应算法 （jDE算法）。该方法对种群中的每个个体都采用各自不同的F和CR生成新个体，同时各F和CR也都随着种群的进化而进化。SaDE算法是文献 ［13］提出的一种自适应算法。它利用种群的学习经历自动选择学习策略并设置合适的控制参数。文献 ［14］提出一种基于PSO学习策略的自适应差异演化算法。在众多的自适应算法中，自适应技术一般主要应用于F和CR这两个参数。……