基于差分进化算法的动态优化问题研究

发布时间：2023-02-26 18:16

　　现实世界中许多优化问题都表现出动态性质,即待求解的问题或优化的目标函数会随时间而发生(随机)变化。研究适合于求解这些普遍存在于现实世界的动态优化问题的算法有着重要的现实意义。但是传统的优化领域主要关注静态优化问题,这类方法并不适合直接求解动态优化问题。差分进化算法属于基于群体的全局优化算法,可以用来求解动态优化问题。由于差分进化算法原理简单,受控参数少,易于理解和实现等特点,并且在求解实数优化问题上表现十分突出,近年来已成为动态优化和智能计算领域的研究热点。因此本文主要研究多种改进的差分进化算法来求解动态优化问题。目前,动态优化问题的研究难度在于:(1)环境的随机变化或部分变化,优化算法不能及时感知;(2)优化算法不能有效的维持搜索种群的多样性和快速追踪移动的最优解。较高的种群多样性有利于对环境的全局搜索,而快速追踪移动的最优解又需要种群能在局部最优邻域快速收敛。本文针对这些难点研究改进的差分进化算法,主要工作如下:(1)将多种群策略和竞争策略相结合。针对动态问题的求解,提出多种群竞争差分算法。首先,将一个种群作为侦测种群,采用新的侦测方法。其次,将余下多个种群作为搜索种群,对动态环境...

【文章页数】：88 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 引言
    1.2 主要研究内容
    1.3 本文组织结构
第二章 动态优化问题概述
    2.1 引言
    2.2 动态优化问题的定义
    2.3 动态环境的特征
    2.4 合适的benchmark问题
        2.4.1 DF1动态问题
        2.4.2 移动峰问题
        2.4.3 GDBG问题
    2.5 演化动态优化方法现状
第三章 差分进化算法简介
    3.1 标准差分进化算法
        3.1.1 种群初始化
        3.1.2 变异
        3.1.3 交叉
        3.1.4 选择
    3.2 差分算法家族
    3.3 动态环境中的差分进化算法
    3.4 本章小结
第四章 求解动态优化问题的多种群竞争差分进化算法
    4.1 产生新个体的常见方法
        4.1.1 量子个体生成机制
        4.1.2 布朗个体
        4.1.3 熵的差分演化
    4.2 多种群竞争差分进化算法
        4.2.1 侦测环境变化方法
        4.2.2 排除方法
        4.2.3 种群竞争机制
        4.2.4 DECS算法描述
    4.3 实验结果与分析
        4.3.1 实验设置与测试函数
        4.3.2 实验结果
        4.3.3 实验结果分析
    4.4 本章小结
第五章 求解动态优化问题的自适应差分进化算法
    5.1 求解动态优化问题的自适应差分进化算法
        5.1.1 基于个体适应度的参数自适应策略
        5.1.2 交叉概率CR的自适应策略
        5.1.3 RDECS算法描述
    5.2 实验结果与分析
        5.2.1 动态标准测试函数与评价标准
        5.2.2 实验设置
        5.2.3 结果与分析
    5.3 改进的自适应差分进化算法
        5.3.1 改进的参数自适应策略
        5.3.2 基于模拟退火的变异策略
        5.3.3 ADECS算法描述
    5.4 实验结果与分析
        5.4.1 实验设置
        5.4.2 多种参数结果对比分析
        5.4.3 结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录一
附录二
图版
表版



本文编号：3750655