基于信息提取策略的差分进化算法研究

发布时间：2024-02-20 21:27

　　进化计算的设计灵感来自于大自然的物种进化,能适应不同的环境下的不同的问题,且在大多数情况下优势尽显无疑,因此进化算法获得了越来越多学者研究,已经成为计算科学领域研究重点。差分进化算法是进化算法的一个分支,在传统差分进化算法的变异策略中,种群中的个体以等概率形式被随机抽出,作为父代向量进行遗传变异进化,因而具有一定的盲目性,且搜索效率低,所以很多学者开始研究基于当前种群中的最优个体的遗传进化,或基于最优个体的邻域信息对算法性能进行提升,并取得了较好的研究成果。然而,现有的算子研究大都主要集中在对于种群单一个体研究,即使用单一个体信息来引导个体的变异,而忽视了种群的综合信息对进化过程的引导能力。本文针对当前差分进化算法研究中存在的不足,为减少传统差分进化算法进化过程的盲目性,提出一种基于种群信息提取策略(Information extraction strategy,简称IES)的框架,并将该策略框架运用于差分进化算法中的变异策略中的进化算子。本文的主要工作和创新点概括如下:通过综合性地分析进化计算的思想及信息提取问题的数学规律,IES策略通过利用种群个体之间的有效信息的提取来指引进化方向...

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图1-1差分进化算法流程图

步骤3对初始种群进行适应度评价，即计算初始种群中每个个体的适应度值。步骤4判断是否达到终止条件。如果是，则终止进化，将得到的最佳个体作为最优解输出；如果否，则继续进化。步骤5进行变异和交叉操作，得到子代种群。步骤6在父代种群和子代种群中选择适应度较好的个体，得到新....

图3-1高级DE算法和基于IES策略的改进算法在12个基准测试函数上的收敛图

26图3-1高级DE算法和基于IES策略的改进算法在12个基准测试函数上的收敛图

图3-2高级DE算法和基于最优IES策略的改进算法在12个基准测试函数上的收敛图

36图3-2高级DE算法和基于最优IES策略的改进算法在12个基准测试函数上的收敛图

图3-3基于Rank策略的高级DE算法和基于最优IES策略的改进算法在12个基准测试函数上的收敛图

当种群大小为150的时候，参与提取策略的最优个体数为45。且基于信息提取策略的差分进化算法在提取信息个体数为最优解的时候，在总共进行的96次比较当中，取得比原有的差分进化算法更低的误差值的次数有93次，占优比例为96.8%，对比收敛图3-2、3-3也能看到信息提....

本文编号：3904545