论文部分内容阅读
微分进化算法(Differential Evolution,DE)是由美国学者Stom R和Price K于1995年提出的一种模拟达尔文“优胜劣汰,适者生存”的自然进化法则、求解基于连续变量的全局优化问题的方法,主要包括变异、交叉和选择三种操作。与其他进化算法相比,微分进化算法具有简单易用、受控参数少及全局搜索能力强的优点。目前,DE算法在函数优化、Internet网络路由设计、化学工程及队形重构等领域得到了广泛的应用。本文主要对基本DE算法进行了改进。首先,我们基于Sphere、Rosenbn)ck、Rastrigin、Griewank、Schaffer和Ackley六个Benchmark函数对三种常用的、基于不同变异策略的微分进化算法DE1、DE2、DE3(见本文2.2.1)进行了测试和比较,结果显示标准微分进化算法DE1全局收敛性好,DE2局部搜索能力强,而DE3的各项指标通常居于前两者之间。鉴于DE1、DE2具有优势互补的特性,我们将两者混合,提出一种具有可变的个体变异比例因子(万⑴6(0,1))的微分进化算法MDE2。其思路是让在取值由小变到大,目的是使算法在迭代前期做分散式搜索,在后期则对重点区域做精细搜索。数值实验表明,相比于釆取固定<^例如,<^=0.5)的算法厘0￡1,在给定精度的条件下,MDE2在求解时间和迭代次数方面均好于MDE1。此外,我们还设计了一个由两个不同的子种群组成的多种群DE算法(简记MPDE),且在两个子种群中分别使用了DE1和DE2算法。同时在两个不同的子种群之间通过移民算子进行通信,以实现多种群的协同进化。我们对MPDE算法中的移民操作也作了探宄。针对本文的实验对象,发现每隔一定的进化代数再进行子种群间的信息交换,算法寻优的效果会更好。在前述工作的基础上,我们还将DE、MDE1、MDE2、MPDE四种算法用于人工神经网络训练及无人机航路规划问题的求解之中,得到了令人满意的仿真实验结果。