差分進(jìn)化算法改進(jìn)研究及其應(yīng)用.pdf

1、差分進(jìn)化算法是一種基于浮點(diǎn)數(shù)編碼的并行隨機(jī)啟發(fā)式搜索方法，由于其實(shí)現(xiàn)簡(jiǎn)單、理解容易、控制參數(shù)少、收斂精度高、收斂速度快以及魯棒性強(qiáng)等優(yōu)點(diǎn)，現(xiàn)已成功應(yīng)用于科學(xué)與工程領(lǐng)域。然而，隨著待求解問(wèn)題復(fù)雜度的增長(zhǎng)，差分進(jìn)化算法本身也存在諸如早熟收斂、求解精度低以及進(jìn)化后期收斂速度慢等缺陷。因此，對(duì)差分進(jìn)化算法進(jìn)行分析改進(jìn)，以改善算法的收斂性能，擴(kuò)展算法的實(shí)際應(yīng)用領(lǐng)域，具有重要的理論研究意義與實(shí)際應(yīng)用價(jià)值。
　　針對(duì)差分進(jìn)化算法求解復(fù)雜函數(shù)時(shí)出

2、現(xiàn)的性能問(wèn)題，本文結(jié)合引力搜索算法的優(yōu)點(diǎn)，提出一種基于閾值統(tǒng)計(jì)學(xué)習(xí)思想的混合差分進(jìn)化引力搜索算法。該算法通過(guò)閾值統(tǒng)計(jì)學(xué)習(xí)的方式，充分利用差分進(jìn)化策略的全局優(yōu)化能力與引力搜索策略在進(jìn)化后期的種群開(kāi)發(fā)能力，在進(jìn)化過(guò)程中根據(jù)兩種策略在先前學(xué)習(xí)代數(shù)的成功率自適應(yīng)選擇較優(yōu)策略生成下一代群體，保證種群在問(wèn)題解空間中的探索能力與開(kāi)發(fā)能力之間的平衡，以提高混合算法的全局尋優(yōu)能力。經(jīng)典復(fù)雜測(cè)試函數(shù)的仿真實(shí)驗(yàn)結(jié)果表明:改進(jìn)算法求解精度高，收斂速度快，魯棒性

3、強(qiáng)，能夠有效避免早熟收斂問(wèn)題。
　　針對(duì)復(fù)雜網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)問(wèn)題，本文在標(biāo)準(zhǔn)差分進(jìn)化算法的框架下，提出一種新型免疫離散差分進(jìn)化算法。該算法采用標(biāo)簽傳播的方式生成初始種群，通過(guò)離散差分進(jìn)化策略來(lái)保證種群在問(wèn)題空間的全局搜索能力，同時(shí)對(duì)種群中的優(yōu)秀個(gè)體進(jìn)行針對(duì)性的高頻克隆變異操作，以提高算法的局部開(kāi)發(fā)能力，改善算法的尋優(yōu)性能。以計(jì)算機(jī)生成網(wǎng)絡(luò)與真實(shí)世界網(wǎng)絡(luò)為對(duì)象的仿真實(shí)驗(yàn)結(jié)果表明:該算法具有較強(qiáng)的尋優(yōu)性能與魯棒性，能夠有效探測(cè)復(fù)雜網(wǎng)絡(luò)中存