基于實時多策略與逆向?qū)W習的自適應差分進化算法.pdf

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