差分进化算法的改进及应用研究

发布时间：2020-02-23 15:48

【摘要】：随着现代工业与高科技的快速发展,优化算法逐渐成为国内外研究人员的关注焦点,在具体的工业优化领域中,对于各个工艺流程建立数学模型,得到了相应的目标函数,利用智能寻优方法对实际问题求解,进一步满足了生产效能方面的需求。进化算法作为一种自启发、自学习的随机优化方法,对于高维、多峰目标函数具有良好的寻优效果,其核心思想是来源于大自然物种的生存进化过程,通过寻优个体之间的自然竞争与交叉进化,“存优去劣”,逐渐提高种群的整体最优值。进化算法就是依据了种群自身进化流程的生存与斗争行为,求解目标函数的全局极值点,科研人员通过仿真验证了这些进化模型在多峰的搜索环境中保持了极佳的随机收敛性能。本文主要针对差分向量模型的原理与增强收敛能力的方法展开细致地探究,以提高最优值精度与进化速度为目标,经过调节后的智能寻优技术解决了具体的工业生产问题。首先,本文对于各种进化算法的进行介绍,总结了进化算法的发展历程与现有最新研究成果,重点分析了差分进化算法的研究国内外背景与现状,以及该智能优化方法的未来应用方向与趋势。其次,详细地探讨了经典差分向量进化选择操作与子代信息分布情况之间的内在联系,各个参数对种群搜索状态产生的影响,通过多组对比实验数据,得到了缩放因子与交叉概率的最优取值范围,比较了算法采用不同变异方式的收敛效果,总结了基本差分向量寻优方法的优势与不足之处。针对基本差分进化算法存在寻优模式单一的不足,分析了个体在不同进化时期具有的运动方式,提出了三种的改进方法,分别从三个方面:及时调整缩放因子与每一维信息被选择的概率,同时结合了DE/rand/1与DE/best/1两种更新方式,种群搜索跳跃步长的自适应调节。这些新型的改进策略提高了个体的环境适应能力,使个体在全局范围内的行为方式具有可控性,平衡了种群的全局与局部搜索能力。为评价调整策略所产生的积极寻优效果,将每种进化方法同时应用在多组benchamark中,仿真得到最优解显示本文采用的自适应搜索算法的收敛精度明显优于经典的进化模型。在基本差分进化算法中,种群多样性在进化后期会逐渐降低,通过结合不同的进化算法可以防止个体出现“局部集中搜索”的现象,总结并分析现有混合技术的研究方法与存在的不足之处,本文结合了三种智能寻优方法-遗传、粒子群、差分搜索模型,这三种算法具有各自的搜索特性与更新方式,每个种群适用于特定的外界环境中。两个子种群分别采用向量的差分进化模式与染色体的遗传模式,个体同时具备了“随机”与“目的”搜索能力,混合选择以后的种群再次采用粒子群速度与位置更新操作,子代能够从父代经验值中得到对于可行域的指导性搜索信息,融合以后的优化方法保留了三类进化形态的优势。在标准测试函数与应用实例上展开对比实验,本文混合算法获得了最高的寻优精度和良好的实用价值。
【图文】：

示意图,差分,示意图,连续信息

图 2-1 差分向量的缩放示意图变异个体 1 iV t 与原个体 iX t 之间具有差异，生成的子代向量区域。p 3: 交叉操作；交换变异个体 1 iV t 与原个体 iX t 之间的部分型的备选个体，在备选个体中同时保留了变异个体与原个体两者作可表示为： 1 i1 1,2, , ; 1,2, , jiiv t f rand CR or j rand Di N j DX t otherwise 5)中，CR 为交叉概率， 1 iU t 为候选个体， rand D 为 1 ,D 之，设置 rand D 是为了确保候选个体中至少会有一项来自于变异个止候选与原向量没有区别特征，产生无效的进化代数。DE 中，向量信息交换可概括为两种方式：指数与二项交换，其中对个体上的多个连续信息作为整体，产生随机数，当满足条件时信息保存至备选个体中，这种交叉方式效率高，，速度快，但是备选

交叉方式,指数

图 2-2 指数交叉方式项交叉对于个体的每一个信息分别产生随机数，选择原个体单独的信息混合形成下一代备选个体，因此二项交叉的灵活息组合方式多样，但是操作过程更加复杂，算法复杂度增加示：图 2-3 二项交叉方式tep 4: 选择操作；计算并比较原个体与候选个体的适应值，体进入下一代种群当中，完成种群的更新换代。具体操作如 1 1U t if f U t f X t
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP18

【参考文献】