施丽铭 姚远明 赵启林 马森 邓宇华 陈浩森

(1 北京空间飞行器总体设计部,北京 100094)

(2 南京工业大学 机械与动力工程学院,南京 211800)

(3 北京理工大学 先进结构技术研究院,北京 100081)

差分进化[1](Differential Evolution,DE)算法是以达尔文生物进化论“优胜劣汰”的思想为准则,模拟自然界生物进化的群智能优化设计方法,主要包括初始种群的生成、基于差分形式的变异、基于概率选择的交叉和基于“优胜劣汰”思想的选择4个步骤。由于其原理简单、控制参数少,故在不同的领域均有广泛的应用,如卫星调度[2]、无线传感器网络定位[3]、应急物资配置调度[4]等。虽然DE 算法有很多优点,但也存在易陷入局部收敛的缺点,主要原因是:变异操作是DE算法进化个体的关键,原理是对不同个体之间的向量差进行加权计算,以此实现种群中每个个体的扰动[5],但随着迭代的进行,种群之间各个体开始朝一处或多处聚集,个体之间的差异性迅速减少,导致个体之间的向量差减小,以至于个体无法进化,进而导致算法陷入局部收敛,即“早熟”。因此,改进DE算法的“早熟”缺陷将会对提升算法的性能有着重要的意义。

对于“早熟”的缺陷,不少学者对此进行了改进,方法大致包含以下几方面:自适应调整控制参数[6-7](变异率F 和交叉率CR)、变异策略的改进[8-9]以及混合算法的使用[10-11]。例如文献[6]借鉴自然界生物繁衍的“S 型曲线”,提出基于S 型变异率的差分进化算法(SDE),改进的算法在一定程度上解决了变异算子的参数设置问题,但其……