采用双变异策略的自适应差分进化算法及应用
2020-02-18邹德旋
沈 鑫,邹德旋,张 强,2
1.江苏师范大学 电气工程及自动化学院,江苏 徐州221116
2.徐州开放大学 信息技术与电气工程学院,江苏 徐州221000
1 引言
差分进化(Differential Evolution,DE)算法[1]是由Storn和Price提出的一种简单高效的进化算法,本质上是一种随机搜索技术,它不要求数学模型具有连续性和可微性,因此具有良好的适用性。近年来,DE算法在电力系统动态经济调度[2]、约束优化[3]、车间调度[4]等领域得到了广泛的应用。
与遗传算法和粒子群算法类似[5-6],DE算法也不能保证准确及时地找到全局最优解,特别是解决高维、非线性、动态等复杂问题时表现得更为明显。为此,许多国内外学者对DE算法提出了各种改进,这些改进研究主要集中在以下几方面:一是对控制参数调整的研究。Coelho等[7]介绍了一种基于高斯概率分布、伽玛分布和混沌序列的自适应缩放因子和交叉概率,有效避免了种群陷入局部最优。Wang等[8]动态调整缩放因子和交叉概率,平衡了算法的全局搜索和局部搜索。二是对变异策略的研究。欧阳海滨等[9]对两个不同特性的变异策略随机选择并加以小概率扰动。Islam等[10]使用了新的变异策略DE/current-to-gr_best/1,相比于变异算子DE/current-to-best/1,新算子兼顾了算法收敛的快速性和可靠性。三是对引入优良机制的研究。Guo等[11]建立外部存档去储存每代进化成功的个体,帮助种群跳出局部最优。Tian等[12]提出一种重新开始机制增强了种群多样性。四是对混合算法的研究。混合DE算法和粒子群优化算法(Particle Swarm Optimization,PSO)[13],混合DE算法和和声搜索算法(Harmony Search,HS)[14]。以上改进措施改善了DE的优化性能,但在高维和动态问题下,算法易发生早熟收敛现象,且收敛精度较低。……
