差分混合蛙跳算法的改進及其應用.pdf

1、計算智能優(yōu)化算法是對自然界智慧和人類智慧的模仿,因其智能性、并行性和健壯性,具有很好的自適應能力和很強的全局搜索能力,得到眾多研究者的廣泛關注.混合蛙跳算法(SFLA)是一種新興的智能優(yōu)化算法,該算法結合了模因算法的局部啟發(fā)式搜索和粒子群優(yōu)化算法的全局搜索兩者的優(yōu)點,在進化過程中先進行局部精確搜索,再利用子群個體間的信息共享進行全局搜索,兩者相互結合直至找出全局最優(yōu)解. SFLA結構簡單容易理解、控制參數(shù)少,具有很強的全局搜索能力.差分

2、進化算法也是一種新興的全局優(yōu)化算法,局部更新策略類似于遺傳算法,采用差分變異操作、交叉操作和選擇操作更新產(chǎn)生新個體.經(jīng)過一代代反復不斷的局部進化,算法的搜索方向慢慢向全局最優(yōu)解的方向靠近. DE算法具有精確的局部搜索能力,魯棒性較強,已成為智能優(yōu)化算法的重要分支.目前,將差分進化算法的局部更新策略與其他優(yōu)化技術相結合來提高算法的優(yōu)化性能,已被廣泛應用于各個領域,在科學研究和生產(chǎn)實踐中發(fā)揮著重要的作用.本文針對混合蛙跳算法在尋優(yōu)過程中易陷

3、入局部最優(yōu)和早熟收斂的缺點,利用差分進化算法的局部精確搜索的特點和蛙跳算法強大的全局搜索能力融合提出一種改進的差分蛙跳算法(DSFLA).該算法借鑒差分進化中的變異交叉思想,在前期利用子群中其他個體的有用信息來更新最差個體,增加局部擾動性,以提高種群的多樣性;在后期為加快收斂速度使用最好個體的信息進行變異交叉操作.同時在每一次產(chǎn)生新個體后,都要進行改進的越界處理來動態(tài)調(diào)整變化尺度,再與子群最差個體進行選擇操作選出適應值更優(yōu)的個體.本文還

4、使用歸檔集進一步保留種群的多樣性.通過對五個典型的連續(xù)優(yōu)化函數(shù)進行實驗仿真,測試結果表明DSFLA無論是在求最優(yōu)解的穩(wěn)定性上還是質(zhì)量上都明顯勝于SFLA和SFLA-AV,在前期保持種群多樣性和后期提高收斂速度避免算法早熟都起到了較好的效果.
　　最后,本文將改進的DSFLA運用在物流中求解帶容量約束的車輛路徑優(yōu)化問題上,采用實數(shù)編碼方式初始化種群,利用DEB規(guī)則處理約束問題,實驗仿真得到多種優(yōu)化路徑,可為實際物流問題提供多種調(diào)度方