李国成,肖庆宪

(1.上海理工大学管理学院,上海200093;2.皖西学院金融与数学学院,安徽六安237012)

求解高维函数优化问题的交叉熵蝙蝠算法

李国成1,2,肖庆宪1

(1.上海理工大学管理学院,上海200093;2.皖西学院金融与数学学院,安徽六安237012)

为改善蝙蝠算法求解高维函数优化问题的全局搜索能力,提高其搜索精度,将交叉熵方法和蝙蝠算法相结合,提出一种交叉熵蝙蝠算法。该算法将基于重要度抽样和Kullback-Leibler距离的交叉熵全局随机优化算法应用于蝙蝠算法中,采用自适应平滑技术提高算法的收敛速度,利用交叉熵方法的遍历性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。对经典测试函数和CEC2005测试函数的仿真结果表明,该算法具有全局搜索能力强、求解精度高和鲁棒性好等特性。

高维函数优化;蝙蝠算法;交叉熵;重要度抽样;自适应平滑;协同演化

1 概述

随着科学技术的快速发展,人们在现实世界中面临着更加复杂多变的系统,如电力系统、蛋白质结构、医学图像匹配以及金融市场等。这些复杂系统的模型参数优化问题常常在高维空间进行,具有许多在低维空间里不曾有过的独特现象和困难,进而为优化领域带来了新的挑战。经典优化方法在处理这类问题时随着维数的增加,其表现不尽如意[1-3]。近年来,智能优化算法的兴起与蓬勃发展为这类问题的求解开辟了新途径,如遗传算法(Genetic Algorithms,GA)[4-5]、粒子群优化(Particle Swarm Optimization,PSO)[6-8]、微 分 进 化 (Differential Evolution,DE)[9]和人工蜂群(Artificial Bee Colony, ABC)算法[10-11]等。这些算法在求解高维函数优化问题上取得了一些进展,但其维数上的突破仍然很有限,维数的增加对其求解精度和收敛速度有着非常大的影响,无法彻底解决。……