基于實(shí)時(shí)多策略與逆向?qū)W習(xí)的自適應(yīng)差分進(jìn)化算法.pdf

1、差分進(jìn)化算法（Differential Evolution，DE）是進(jìn)化算法的一個(gè)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(diǎn)，但其使用單一進(jìn)化策略存在靈活性弱與易陷入早熟狀態(tài)的不足。針對(duì)上述問題，學(xué)者曲福恒提出了多策略多參數(shù)并行差分進(jìn)化算法，為種群中每個(gè)個(gè)體隨機(jī)選取策略進(jìn)行進(jìn)化，具有相對(duì)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(gè)體表現(xiàn)來評(píng)價(jià)策略的進(jìn)化效果，所以會(huì)存在策略采樣數(shù)量無法保證以及

2、評(píng)價(jià)標(biāo)準(zhǔn)有所偏差等問題。并且算法使用人工子過程代替整個(gè)進(jìn)化過程，雖然在一定程度上提升了算法的靈活性，但無法對(duì)進(jìn)化中的反饋進(jìn)行實(shí)時(shí)調(diào)整，同時(shí)算法也未對(duì)陷入局部最優(yōu)的情況提出額外的應(yīng)對(duì)措施。
　　本文針對(duì)多策略多參數(shù)并行差分進(jìn)化算法存在的不足，提出了一種基于實(shí)時(shí)多策略與逆向?qū)W習(xí)的自適應(yīng)差分進(jìn)化算法，并對(duì)算法的性能進(jìn)行了研究。具體工作如下:
　　針對(duì)多策略多參數(shù)并行差分進(jìn)化算法多策略采樣數(shù)量無法保證、評(píng)價(jià)指標(biāo)存在偏差以及實(shí)時(shí)性不強(qiáng)

3、等問題，提出了新的實(shí)時(shí)多策略機(jī)制。主要思想是:采用多策略組成的策略池為整個(gè)種群實(shí)時(shí)選取策略進(jìn)化，將實(shí)驗(yàn)個(gè)體替代原個(gè)體的比率作為評(píng)價(jià)指標(biāo)對(duì)進(jìn)化效果進(jìn)行評(píng)價(jià)，并依據(jù)進(jìn)化效果判定對(duì)當(dāng)前策略的選取概率進(jìn)行動(dòng)態(tài)調(diào)整。此機(jī)制使得算法在解決單峰問題的進(jìn)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(jìn)化過程中表現(xiàn)出的尋優(yōu)能力也得到了提升。
　　在實(shí)時(shí)多策略機(jī)制的基礎(chǔ)上，針對(duì)多策略多參數(shù)并行差分進(jìn)化算法在陷入局部最優(yōu)時(shí)