吕铭晟,沈洪远,李志高,王 汐,龚 明,王俊年

(湖南科技大学信息与电气工程学院,湖南 湘潭 411201)

1 概述

差分进化(Differential Evolution,DE)算法[1]采用模拟生物进化的机制,通过种群内个体差异度生成差异个体,然后进行交叉、选择操作实现种群的进化。DE 算法适用性强,不依赖于问题辅助信息,容易实现,需要调整的参数少,非常适合于求解一些利用常规数学规划方法不能或难以求解的复杂优化问题。

许多文献对标准差分进化的不足提出了改进,如文献[2-3]分别将交叉概率和缩放因子设计为自适应,文献[4]提出采用动态更新种群的策略,文献[5]提出一种自适应差分进化算法(SDE)；文献[6]提出基于模糊控制的自适应差分进化算法(FADE)；文献[7]提出基于适应值的自适应差分进化算法；文献[8]提出自适应群体差分进化算法；文献[9]提出广义的变异策略方案,用户可以方便选择适合自己所求问题的变异操作类型；文献[10]提出基于邻域搜索的DE/target-to-best/1 算子；文献[11]提出多策略和控制参数自适应差分进化算法；文献[12]提出DE/rand/1/Either-or 算子。文献[13]提出双种群伪并行差分进化算法。迄今为止DE 已发展为一种在求解非线性、不可微、多峰值及高维复杂函数等类型问题的高性能强鲁棒的方法,已经在滤波器设计、聚类分析等领域取得了较好的应用[14-15]。

根据变异机制的不同,DE 有多种不同版本,其中,DE/rand/1 是标准差分进化所采用的变异策略,相对而言该变异策略操作简单,在低维单峰函数优化问题中具有收敛速度快、寻优精度高等优点。……