涂维维,葛洪伟,杨金龙,袁运浩

(江南大学物联网工程学院,江苏无锡214211)

基于M-H采样的快速反向微分进化算法

涂维维,葛洪伟,杨金龙,袁运浩

(江南大学物联网工程学院,江苏无锡214211)

反向微分进化(ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。

微分进化算法;反向微分进化算法;转移概率;平稳分布;马尔可夫链蒙特卡洛;反向学习

1 概述

进化算法是一种模拟生物进化过程求解优化问题的启发式自适应人工智能技术。1995年Storn和Price等人提出微分进化(Differential Evolution, DE)［1-2］算法,其主要特点是算法简单、收敛速度快、可调参数少、鲁棒性好,相对于其他优化算法有较强的全局收敛能力和稳定性。变异操作是微分进化的核心操作,对微分进化的影响很大,文献［3］是关于微分进化算法的参数和变异策略的综述和应用。……