差分進(jìn)化算法的改進(jìn)研究_第1頁(yè)
差分進(jìn)化算法的改進(jìn)研究_第2頁(yè)
差分進(jìn)化算法的改進(jìn)研究_第3頁(yè)
差分進(jìn)化算法的改進(jìn)研究_第4頁(yè)
免費(fèi)預(yù)覽已結(jié)束,剩余1頁(yè)可下載查看

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、    差分進(jìn)化算法的改進(jìn)研究    何佳歡王向東【摘 要】本文提出了一種改進(jìn)的差分進(jìn)化算法,算法采用一種新的突變方式,同時(shí)在選擇操作之前引入擾動(dòng)機(jī)制以增強(qiáng)算法的全局搜索能力。之后對(duì)改進(jìn)算法進(jìn)行了benchmark函數(shù)實(shí)驗(yàn),得到的仿真結(jié)果證明了算法的有效性?!娟P(guān)鍵詞】差分進(jìn)化算法;benchmark函數(shù);擾動(dòng)【abstract】the paper proposes a new modified differential evolution algorithm, a new mutation operation is introduced in this

2、algorithm, besides, a random disturbance mechanism is used before selection operation in order to enhance the global search ability. the modified algorithm is used to solve benchmark functions, the effectiveness of the algorithm is demonstrated via the simulation results.【key words】differential evol

3、ution algorithm; benchmark function; disturbance0 引言差分進(jìn)化算法是1995年由storn和price提出來(lái)的一種基于種群的隨機(jī)性搜索算法,差分進(jìn)化算法在求解各式樣的優(yōu)化問(wèn)題中表現(xiàn)出了良好的全局尋優(yōu)能力1,同時(shí)其結(jié)構(gòu)簡(jiǎn)單、操作容易,具有很多優(yōu)點(diǎn),但不可避免的是其容易陷入局部最優(yōu)導(dǎo)致無(wú)法快速準(zhǔn)確的收斂到全局最優(yōu)值。不同學(xué)者也提出了很多對(duì)差分進(jìn)化算法的改進(jìn),主要有對(duì)控制參數(shù)的改進(jìn)以及對(duì)突異策略的改進(jìn)等2-4。本文研究主要分為以下幾個(gè)部分,首先對(duì)差分進(jìn)化算法簡(jiǎn)要介紹,之后提出改進(jìn)的差分進(jìn)化算法,并對(duì)改進(jìn)算法進(jìn)行benchmark函數(shù)實(shí)驗(yàn),最后給出結(jié)果

4、及結(jié)論。1 基本差分進(jìn)化算法差分進(jìn)化算法是一種經(jīng)常用于解決優(yōu)化問(wèn)題的隨機(jī)性搜索算法,它采用實(shí)數(shù)編碼方式。算法主要包括突變、交叉以及選擇操作5,涉及到的參數(shù)主要包括種群大小np,突變概率f(一般取值范圍0到1),交叉概率cr(一般取值范圍0到1)。算法的流程主要分為以下幾部分:(以下i1,np,j1,d,g迭代次數(shù))1)種群初始化:算法采用隨機(jī)初始化方式產(chǎn)生一定大小的初始種群,具體生成方式如下:2 改進(jìn)差分進(jìn)化算法本文對(duì)差分進(jìn)化算法的改進(jìn)主要分為以下兩個(gè)方面:2)增加擾動(dòng):隨著迭代次數(shù)增加,個(gè)體間差異越來(lái)越小容易陷入局部最優(yōu)。本文在選擇操作后加入擾動(dòng)機(jī)制,在迭代進(jìn)行一定次數(shù)后隨機(jī)選取種群中的z個(gè)

5、,進(jìn)行如下操作:3 benchmark函數(shù)測(cè)試及結(jié)果為了驗(yàn)證本文提出的改進(jìn)差分算法的性能,本文主要選取了10組benchmark函數(shù)來(lái)測(cè)試改進(jìn)算法的性能,分別是:sphere model、schwefel 2.22和1.2、rosenbrock、step、quartic、rastrigin、(下轉(zhuǎn)第194頁(yè))(上接第181頁(yè))ackley、griwank、penalized function十個(gè)全局最小值為0的函數(shù)。分別針對(duì)了低維d=5以及高維d=30兩種情況進(jìn)行計(jì)算,每組用matlab進(jìn)行仿真求解50次,求得最優(yōu)值、平均值及標(biāo)準(zhǔn)差與文獻(xiàn)3的其他算法結(jié)果進(jìn)行對(duì)比。具體的參數(shù)如下:低維和高維情況

6、下np分別取20和100,p=0.15,f0=0.5,fmax=1,fmin=0.1,z=0.1,cr0=0.5,cr1=0.85。所得結(jié)果如表1所示。4 結(jié)束語(yǔ)通過(guò)上表中所得函數(shù)測(cè)試結(jié)果與文獻(xiàn)3中所給數(shù)據(jù)相比對(duì)(較優(yōu)結(jié)果黑體顯示)可以看出,改進(jìn)后的差分進(jìn)化算法能夠取得較基本差分進(jìn)化算法及其他改進(jìn)差分進(jìn)化算法更理想的結(jié)果,改進(jìn)后的算法有效并有一定的適用性?!緟⒖嘉墨I(xiàn)】1r. storn, k. price., “differential evolution - a simple and efficient adaptive scheme for global optimization over

7、 continuous spaces”,berkeley, ca, technical reportc. tr-95-012, 1995.2a.k. qin and p.n.suganthan, ”self-adaptive differential evolution algorithm for numerical optimization”c. ieee congress on evolutionary computation, vol.2, pp. 1785-1791,2005.3jinqiao zhang, arthur c.sanderson, ”jade: self-adaptive differential evolution with fast and reliable convergence performance”c. ieee congress on evolutionary computation, 1-4244-1340-0/07.4劉明廣.差異演化

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論