拓守恒

（陕西理工学院 计算机系，陕西 汉中723000）

0 引 言

差分进化算法（differential evolution，DE）具有全局探索和局部开发的能力，容易和其他优化搜索混合等特性［1］，在大规模复杂应用研究中取得了较好的效果［2］，但也存在求解精度低等缺点，研究者们为了提高DE算法的性能，做了大量研究和改进。文献［3］按照个体适应度的差异将个体分成不同的子种群，并针对不同的个体适应度值采用不同的变异算子，以保证在加快算法收敛速度的同时有效地跳出局部极值点。文献［4］提出一种基于多进化模式协作的差分进化算法，在每次迭代时，总是依次从3种模式中选取一种用于不同个体的进化，从而提高算法的通用性。文献［5］提出一种带有随机变异的动态差分进化算法，在这个算法中，两种不同的变异策略DE/rand/1和DE/best/1通过线性递减加权组合策略产生新的变异策略，以便动态利用DE/rand/1和DE/best/1的优点。文献［6］提出了中心变异差分进化算法，算法在每代变异时，选择种群的一个中心个体作为基向量，根据参加变异的3个随机个体向量间的函数适应值的大小关系，确定差向量的方向。上述几种算法都是针对差分进化算法的某一方面的缺点进行了改进，或者针对某一具体问题的应用性改进，但是往往通用性较差，难以在各种复杂变化的问题中得到好的优化效果。

为了提高DE算法的通用能力，受蚁群算法的启发，本文提出一种基于蚁群算法的自适应差分进化算法。算法将目前已经取得较好效果的变异算子综合应用于优化问题中，采用一种改进的多模式并行差分变异策略，不同于文献［4］，本文采用蚁群算法对差分变异算子的选择概率进行动态调整，从而提高算法的优化速度、稳定性和通用性。……