2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩58頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明: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,請進行舉報或認領

文檔簡介

1、差分進化算法(Differential Evolution,DE)是進化算法的一個經(jīng)典分支,由Storn和Price提出,具有適用性廣、操作簡單、尋優(yōu)效果好等優(yōu)點,但其使用單一進化策略存在靈活性弱與易陷入早熟狀態(tài)的不足。針對上述問題,學者曲福恒提出了多策略多參數(shù)并行差分進化算法,為種群中每個個體隨機選取策略進行進化,具有相對較好的收斂速度和尋優(yōu)性能。但算法是根據(jù)策略所采樣的個體表現(xiàn)來評價策略的進化效果,所以會存在策略采樣數(shù)量無法保證以及

2、評價標準有所偏差等問題。并且算法使用人工子過程代替整個進化過程,雖然在一定程度上提升了算法的靈活性,但無法對進化中的反饋進行實時調(diào)整,同時算法也未對陷入局部最優(yōu)的情況提出額外的應對措施。
  本文針對多策略多參數(shù)并行差分進化算法存在的不足,提出了一種基于實時多策略與逆向?qū)W習的自適應差分進化算法,并對算法的性能進行了研究。具體工作如下:
  針對多策略多參數(shù)并行差分進化算法多策略采樣數(shù)量無法保證、評價指標存在偏差以及實時性不強

3、等問題,提出了新的實時多策略機制。主要思想是:采用多策略組成的策略池為整個種群實時選取策略進化,將實驗個體替代原個體的比率作為評價指標對進化效果進行評價,并依據(jù)進化效果判定對當前策略的選取概率進行動態(tài)調(diào)整。此機制使得算法在解決單峰問題的進化過程中加快了收斂速度,使其能夠更早的收斂到最優(yōu)值。此外,其在處理多峰問題的進化過程中表現(xiàn)出的尋優(yōu)能力也得到了提升。
  在實時多策略機制的基礎上,針對多策略多參數(shù)并行差分進化算法在陷入局部最優(yōu)時

溫馨提示

  • 1. 本站所有資源如無特殊說明,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,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論