多策略自適應(yīng)差分進(jìn)化算法的改進(jìn)與應(yīng)用研究.pdf

1、差分進(jìn)化算法(DifferentialEvolutionAlgorithm，DE)是一種基于種群個(gè)體差異、主要解決連續(xù)性優(yōu)化問(wèn)題的啟發(fā)式隨機(jī)搜索算法。自1995年R.Storn和K.Price為求解Chebyshev多項(xiàng)式提出之日起，因其高效的尋優(yōu)能力、無(wú)需復(fù)雜的運(yùn)算及編碼機(jī)制等優(yōu)點(diǎn)而在組合優(yōu)化問(wèn)題的求解中得到廣泛的應(yīng)用。本文對(duì)基本DE算法進(jìn)行了研究，同時(shí)討論了基本DE算法存在的易早熟和陷入局部極值的不足，并針對(duì)DE算法存在的不足，對(duì)基

2、本DE算法進(jìn)行了改進(jìn)和擴(kuò)展，同時(shí)證明了改進(jìn)的DE算法的收斂性。并將DE算法應(yīng)用于求解JSP調(diào)度問(wèn)題。
　　 在對(duì)基本DE算法理論研究的基礎(chǔ)上，借鑒社會(huì)學(xué)以及生物學(xué)的一些思想，對(duì)基本DE算法進(jìn)行了以下改進(jìn):
　　 (1)針對(duì)DE算法在進(jìn)化后期易陷入局部最優(yōu)解的問(wèn)題，提出一種Memetic算法，通過(guò)引入鄰域搜索算子來(lái)增強(qiáng)種群多樣性，保證算法有效跳出局部最優(yōu)解點(diǎn)。針對(duì)差分進(jìn)化算法后期收斂較慢的不足，對(duì)縮放因子進(jìn)行自適應(yīng)調(diào)整，保

3、證算法具有較高的尋優(yōu)性能的同時(shí)具有較高的收斂速度。
　　 (2)分析了DE算法中控制參數(shù)對(duì)算法性能產(chǎn)生的影響。種群進(jìn)化過(guò)程中種群多樣性的急劇降低是造成算法陷入局部最優(yōu)和早熟的主要原因。為保持種群多樣性，本文一改基本DE算法隨機(jī)初始化種群帶來(lái)的弊端，對(duì)初始種群采用服從正態(tài)分布的初始化方法進(jìn)行初始化，有效保證了算法朝著最優(yōu)解的方向進(jìn)化。并加入自適應(yīng)算子對(duì)種群進(jìn)行動(dòng)態(tài)調(diào)節(jié)，引入memetic算法使進(jìn)化過(guò)程達(dá)到全局搜索和局部搜索的平衡。

4、
　　 (3)DE算法主要解決連續(xù)性優(yōu)化問(wèn)題，采用實(shí)數(shù)編碼，這種編碼和解碼機(jī)制可以遍布整個(gè)解空間，保證了算法的尋優(yōu)性能。簡(jiǎn)化后的車間調(diào)度問(wèn)題仍然屬于NP-hard問(wèn)題，同時(shí)也是多目標(biāo)約束的離散問(wèn)題。本文提出的改進(jìn)的LPV(Largestpositionvalue)規(guī)則，將工件的一個(gè)排序映射為搜索空間的一個(gè)解。并采用改進(jìn)的DE算法執(zhí)行全局搜索，采用鮑德溫算子執(zhí)行局部搜索。Matlab數(shù)值實(shí)驗(yàn)結(jié)果表明:改進(jìn)的DE算法使算法性能得到了