參數(shù)自適應(yīng)的差分進(jìn)化算法及并行化研究.pdf

1、差分進(jìn)化算法（DE，Differential Evolution）是進(jìn)化優(yōu)化算法中最優(yōu)秀的算法之一，具有自搜索、自適應(yīng)、并行性等特點，已成功用于解決各種工程和科學(xué)問題。差分進(jìn)化算法是一種基于種群的并行迭代優(yōu)化算法，對比其他進(jìn)化算法有著較好的搜索能力和收斂性，其性能主要由算法的控制參數(shù)決定。標(biāo)準(zhǔn)差分進(jìn)化算法在求解復(fù)雜優(yōu)化問題時，存在收斂速度慢，容易陷入局部最優(yōu)的不足，因此對差分進(jìn)化算法的改進(jìn)優(yōu)化還存在很大的空間。隨著數(shù)據(jù)的爆炸式增長，單機(jī)

2、運(yùn)行的差分進(jìn)化算法在高維運(yùn)算上已經(jīng)不能滿足實際的計算需求，使得具有分布式架構(gòu)的云計算平臺成了較為理想的選擇。
　　本文研究了差分進(jìn)化算法參數(shù)選擇問題，提出新的動態(tài)引導(dǎo)參數(shù)選擇算法，并將算法在云平臺并行實現(xiàn)，優(yōu)化了算法的性能，提高了算法處理高維數(shù)據(jù)的能力。具體工作如下:
　　(1)針對差分進(jìn)化算法收斂速度慢，容易陷入局部最優(yōu)的問題，提出一種新的動態(tài)引導(dǎo)參數(shù)選擇差分進(jìn)化算法(DGPSDE，DynamicGuide Paramet

3、er Selection Differential Evolution)，提高了算法的收斂速度和全局搜索能力。主要思想是:利用種群的歷史最優(yōu)值信息引導(dǎo)下一代參數(shù)的選擇，首先建立兩個有序資源池，用于保存由柯西分布生成的變異因子F和交叉因子CR的值，然后根據(jù)歷史最優(yōu)值判斷當(dāng)前進(jìn)化過程的收斂情況，利用不同參數(shù)對進(jìn)化過程的影響，動態(tài)指導(dǎo)下一代進(jìn)化參數(shù)的分配，加快算法的收斂速度，增強(qiáng)算法的全局搜索能力。
　　(2)針對差分進(jìn)化算法在處理高維