基于云理論的差分進化算法改進及應用研究.pdf

1、差分進化(DifferentialEvolution,DE)作為目前最優(yōu)秀的進化優(yōu)化算法之一,是進化計算、智能優(yōu)化技術方面的研究熱點,已成功應用于車間調度、數(shù)字信號處理、模式識別、機器智能、化工、醫(yī)學等諸多實際工程領域并取得了良好的應用效果。然而,DE和其他進化算法一樣,在對復雜優(yōu)化問題進行求解時仍不可避免地存在多樣性不足、易陷入局部最優(yōu)、后期收斂速度慢、控制參數(shù)難以設定等問題。此外標準DE算法的結構設計是用來解決無約束、單目標的優(yōu)化問

2、題,不可直接用于求解約束多目標優(yōu)化問題,在一定程度上限制了算法的應用范圍。
　　本課題從理論和應用兩方面對DE算法進行了深入研究。從理論角度出發(fā),首先針對DE算法存在的不足,在算法的交叉操作以及變異操作方面進行了深入研究和大量實驗仿真工作,一方面提出了新的基于種群多樣性的交叉概率因子CR自適應調整策略,有效提高了算法進化后期種群多樣性,避免算法陷入局部最優(yōu);另一方面,提出新的變異策略,利用優(yōu)秀解個體提供搜索方向性信息,避免差分向量

3、中個體隨機選擇帶來的搜索盲目性。上述兩方面改進構成一種新的p-ADE算法,經(jīng)仿真實驗表明能有效提高全局最優(yōu)解精度,加快算法收斂速度并增強DE算法的魯棒性,其相關性能指標優(yōu)于目前國內外較為先進的DEGL、JADE、jDE、CLPSO等全局最優(yōu)化算法。其次,本課題首次將云理論思想引入到DE算法中,提出了云差分進化算法——CDE算法,首先結合上述基于種群多樣性進行CR參數(shù)自適應調整的思想,利用云模型具有隨機性和穩(wěn)定傾向性的特點,提出新的基于云

4、模型的CR自適應調整方法,在保證種群多樣性的同時又提高了算法的收斂速度;其次對于復雜優(yōu)化問題,單靠CR自適應調整策略來擴大種群多樣性已難以滿足算法對種群多樣性的要求,為避免陷入局部最優(yōu),利用正、反正態(tài)云發(fā)生器級聯(lián)對每個個體進行單維擾動,進一步改善種群分布提高種群多樣性。在典型測試函數(shù)上的仿真結果表明,本文提出的CDE能在算法進化過程中有效改善種群多樣性,克服算法易陷入局部最優(yōu)的缺點,收斂精度得到明顯提高,并加快了算法的收斂速度,在解決復

5、雜優(yōu)化問題時優(yōu)勢明顯。
　　從應用角度出發(fā),將云差分進化算法分別應用于約束多目標優(yōu)化以及城市干線雙向交通信號協(xié)調優(yōu)化控制的求解中。對于約束多目標問題,首先采用本文提出的CDE算法作為約束多目標算法的進化策略,并提出新的變異策略,利用優(yōu)秀可行解和不可行解的方向信息增強算法對解的探索能力;其次,采用建立外部種群分別存儲可行解和不可行解的方式處理約束條件,并對已有可行解集的更新方法進行改進,有效提高解集的分布性。在CTP類測試函數(shù)上的仿