论文部分内容阅读
差分进化算法(Differential Evolution,DE)是一种群体智能优化算法,近年来被广泛应用于解决生产生活中的优化问题。DE算法具有参数少、优化能力较强等优点,但在处理一些复杂优化问题时依旧存在收敛速度慢、易陷入局部最优的不足,影响求解效果。针对以上不足,本文主要从加快算法收敛速度、降低陷入局部最优的概率等方面改进DE算法,并将改进的算法应用于解决化工参数辨识问题。具体工作如下:(1)综述了DE算法和其它几种群智能优化算法的基本思想、主要操作。针对传统DE算法存在的不足,讨论了DE算法的研究现状和改进方向。(2)针对传统DE算法在解决复杂优化问题时容易出现收敛速度慢的不足,本文提出了一种余弦适应性骨架差分进化算法(adaptive bare-bones differential evolution based on cosine,CABDE)。CABDE算法引入了一个新的变异策略适应性机制,该机制通过余弦适应性因子融合高斯变异策略和DE/current-to-best/1变异策略。余弦适应性因子在进化过程中随迭代次数的增加而波动性调整,为不同进化阶段适应性地选择变异策略,维持种群多样性的同时能够加快收敛速度。在18个测试函数上对CABDE算法的性能进行验证,实验结果表明,整体上CABDE算法能够获得较高的解精度,且加快了收敛速度。(3)传统DE算法在解决复杂优化问题时容易陷入局部最优,出现早熟现象。为解决该问题,提出了一种组合三角变异差分进化算法(Differential Evolution with Combined Triangular mutation strategy,CTMDE)。CTMDE算法融入了组合三角高斯变异策略和DE/current-to-pbest/1变异策略。其中,组合三角高斯变异策略引入了组合权重来适应性利用较优个体、一般个体、当前个体的信息,维持种群多样性。DE/current-to-pbest/1变异策略具有较强的局部搜索能力,能够在较优个体的指导下,较快收敛到最优解附近。两变异策略的融合在搜索能力上形成优势互补,降低了陷入局部最优的概率,平衡了算法的勘探能力和开采能力。通过18个测试函数检验算法性能,结果表明CTMDE算法具有较好的寻优性能。(4)为进一步验证CABDE算法和CTMDE算法的性能,将两种算法应用于解决甲醇转化为烃类物质的化工参数辨识问题,并与其它算法比较。实验结果表明CABDE算法和CTMDE算法在解决该问题上具有较强竞争力,且CTMDE算法求解结果优于CABDE算法。