胡福年 董倩男 吕 璐

(江苏师范大学电气工程及自动化学院 江苏 徐州 221116)

0 引 言

差分进化(Differential Evolution，DE)算法[1]是一种基于群体差异的随机搜索算法，其原理与遗传算法类似，但不包括编码和解码，受控参数少，同时因其本身具有强大的鲁棒性和全局寻优能力，因而在约束优化[2]、电力系统调度[3]等领域得到广泛运用。

与常用进化算法类似[4-7]，DE算法也存在容易陷入局部最优和过早收敛的问题。因此，学者们对DE算法进行不同方面的改进，以提高算法收敛精度并跳出局部最优。改进方法大致分为以下几类。

一是控制参数的改进，主要涉及种群规模、变异策略、交叉策略等。文献[8]对变异因子、交叉概率进行自适应控制，增强了算法的寻优性能。文献[9]对变异策略进行改进，采用随机选择的方式在两种变异策略之间进行选择。文献[10]使用动态加权因子对两种变异策略进行权值动态分配，增强算法的全局寻优性能，同时采用了控制参数的自适应方法。

二是种群结构的改变，如种群重构、多种群差分。文献[11]提出一种基于平均熵的初始化策略，将种群拆分为两个群体，分别采用不同的变异策略，进行种群间的信息交流。文献[12]将种群以适应值大小进行分类成为多个种群，采用不同的策略进化，实现全局优化。文献[13]将种群随机动态分为多个子群体，增强个体间的信息交换。

三是与其他算法交叉使用，结合不同算法的寻优思想对DE进行改进。文献[14]将粒子群算法与差分进化算法结合使用，充分发挥两种算法的优点，改善了差分算法的收敛性能。……